用黑盒找黑洞——利用机器学习识别含黑洞子系统的球状星团
星系天体物理
2019-03-13 v2 高能天体物理现象
天体物理仪器与方法
太阳与恒星天体物理
摘要
机器学习是一种强有力的技术，在天体物理中正日益流行。在本文中，我们将机器学习应用于作为“MOCCA-Survey Database I”项目一部分模拟的一千多个球状星团（GC）模型，以将当前可观测性质与恒星质量黑洞（BH）子系统的存在相关联。该机器学习模型随后被应用于银河系 GC 的可用观测参数，以识别哪些最有可能宿主大量 BH，并揭示哪些性质导致了 BH 子系统的形成。借助我们的机器学习模型，我们筛选出 21 个最有可能包含 BH 子系统的银河系 GC。我们表明，机器学习分类器筛选出的星团包含了已观测到 BH 候选体的那些（M22、M10 和 NGC 3201），且我们的结果与独立模拟以及先前将模拟 GC 模型与银河系 GC 观测性质手动比较的研究高度一致。这些结果对搜寻 GC 中难以捉摸的恒星质量 BH 候选体的观测者有用，并增进我们对 BH 在 GC 演化中作用的理解。此外，我们发布了一个在线工具，允许人们在输入可观测性质后从我们的模型获得预测。
引用
@article{arxiv.1811.06473,
title = {Finding Black Holes with Black Boxes -- Using Machine Learning to Identify Globular Clusters with Black Hole Subsystems},
author = {Ammar Askar and Abbas Askar and Mario Pasquato and Mirek Giersz},
journal= {arXiv preprint arXiv:1811.06473},
year = {2019}
}
备注
20 pages, 9 figures, 7 tables. Accepted for publication in MNRAS. Source code available at https://github.com/ammaraskar/black-holes-black-boxes