flashcurve：一种基于机器学习的 Fermi-LAT 数据自适应分箱光曲线简单快速生成方法
天体物理仪器与方法
2025-02-13 v3 高能天体物理现象
摘要
Fermi-LAT 卫星测量的伽马射线为了解高能天体物理对象中发生的过程提供了大量信息。然而，来自这些对象的通量变化极其剧烈。因此，伽马射线光曲线最优地使用自适应分箱大小，以获取关于源动力学的大部分信息，并在多信使视角下结合伽马射线观测。然而，标准的自适应分箱方法在密集区域速度慢、成本高且不准确。在此，我们提出了一种新颖、强大的基于深度学习的方法，利用原始光子数据来估计 Fermi-LAT 数据中自适应分箱光曲线所需的时间窗口。结果表明该方法快速且准确。它也可被视为一个原型，用于训练其他天体物理信使的自适应分箱光曲线机器学习模型。
引用
@article{arxiv.2411.12598,
title = {flashcurve: A machine-learning approach for the simple and fast generation of adaptive-binning light curves with Fermi-LAT data},
author = {Theo Glauch and Kristian Tchiorniy},
journal= {arXiv preprint arXiv:2411.12598},
year = {2025}
}
备注
Submitted to Astronomy & Computing