第一印象:利用寄主星系信息与浅层学习对超新星进行早期分类

人们已投入大量努力从测光信息表征瞬变现象。针对该问题的自动化方法利用了事件的完整相位覆盖,限制了其在触发对进行中现象的快速跟进观测方面的用途。在本工作中,我们引入了一个具有单层循环网络的神经网络,专为超新星的早期测光分类而设计。我们的算法利用迁移学习来处理模型设定错误,利用寄主星系测光来解决发现后不久的数据稀缺问题,并利用自定义加权损失来优先准确的早期分类。我们首先使用最先进的瞬变和寄主星系模拟训练算法,然后调整其权重并在来自 Zwicky Transient Facility Bright Transient Survey 的经光谱确认的 SNe Ia、SNe II 和 SNe Ib/c 上验证它。在观测数据上,我们的方法在事件发现后 3 天内达到 $82 \pm 2$% 的总体准确率,在发现后 30 天内达到 $87 \pm 5$% 的准确率。在早期和晚期阶段,我们的方法以更简单的网络架构实现了与领先分类算法相当或更优的结果。这些结果有助于为在大规模巡天中发现的有科学价值的瞬变现象的快速测光和光谱跟进观测铺平道路。