FLAME：基于机器学习拟合 Lyα 吸收线

我们提出了 FLAME，这是一个用于拟合 HI Lyman-alpha（Lyα）吸收线的 Voigt profile 的机器学习算法。FLAME 集成了两个算法：第一个算法确定拟合 Lyα 吸收线所需的分量数量，第二个算法计算 Doppler 参数 $b$、HI 列密度 N$_{\rm HI}$ 以及各 individual 分量的速度分离。对于当前版本的 FLAME，我们使用乘坐 Hubble Space Telescope（HST）上 Cosmic Origin Spectrograph（COS）远紫外光光栅观测到的低红移 Lyα 森林数据进行训练。利用这些数据，我们在约 $10^6$ 个模拟 Voigt profile 上进行训练，这些轮廓被前向模型化，以模拟 HST-COS 观测到的 Lyα 吸收线，从而将线条分类为单分量或双分量，然后确定 Voigt profile 拟合参数。FLAME 在模拟数据上的表现令人印象深刻，识别出超过 98%（90%）的单（双）分量线。它对 $b$ 值的精度在约 $\pm{8}~(15)$ km s$^{-1}$，对 log $N_{\rm HI}/ {\rm cm}^2$ 值的精度在约 $\pm 0.3~(0.8)$。然而，当应用于真实数据时，FLAME 的分量分类准确率下降约 10%。尽管如此，FLAME 的预测得到的 $b$ 和 N$_{\rm HI}$ 分布与传统 Voigt profile 拟合方法的结果之间仍有合理的一致性。我们的模拟 HST-COS 数据分析设计为模拟真实数据参数，表明 FLAME 能够实现与模拟数据相似的一致精度。这一发现表明，FLAME 在真实数据上准确率下降主要源于难以在训练样本中复制真实数据的全部复杂性。