从 X 射线光谱中提取潜在表示：分类、回归与 Chandra sources 的吸积特征

在大型 X 射线调查时代，光谱特征至关重要。自动机器学习方法在这方面已被证明有用，但迄今为止尚未应用于此类大型光谱数据集，如 Chandra Source Catalog (CSC)。本工作旨在develop一种来自深度学习的、紧凑且具有物理意义的 Chandra X 射线光谱表示。为验证所学表示是否捕获了相关信息，我们通过分类、回归和可解释性分析进行评估，并衡量这些 sources 的光谱与时域属性之间的互信息，以助力未来识别瞬态事件。我们使用基于 Transformer 的自编码器将 X 射线光谱压缩到 8 维潜在空间中。从外部目录中编译了天体物理源类型和物理摘要统计数据。我们以光谱重构精度、在 8 种已知天体物理源类别上的聚类性能以及与硬度比和氢气柱密度 ($N_H$) 的相关性来评估所学表示。在重构后，潜在空间中的聚类可实现约 40% 的平衡分类精度；仅限 AGN 和星际质量致密天体时，精度提升至约 69%。此外，潜在特征与光谱和时间属性相关，表明压缩表示捕获了物理相关信息。直接从 X 射线光谱中学习到的特征能够有效地捕获相关物理信息，无需额外计算的人类提取特征。它们可用于大型调查中的分类和回归，也与时域属性共享互信息。该方法可适用于现有和即将到来的 X 射线目录。