FLEET：一种无需红移、快速证认贫氢超亮超新星的机器学习流水线
高能天体物理现象
2020-12-02 v1
摘要
过去十年间，宽场光学时域巡天将暂现源的发现率提升至仅 得到光谱分类的程度。尽管如此，这些巡天促成了新型罕见暂现源的发现，其中最显著的是贫氢超亮超新星（SLSN-I）类，迄今已确认约 150 个事件。本文提出一种机器学习分类算法，旨在快速证认纯 SLSN-I 样本，以支持光谱与多波段后随观测。该算法是 FLEET（Finding Luminous and Exotic Extragalactic Transients，发现明亮与奇异河外暂现源）观测策略的一部分。它利用光变曲线与情境信息，但无需红移，即为每个新发现暂现源赋予其为 SLSN-I 的概率。该分类器在观测所选 SLSN-I 候选体时可达到约 85% 的最高纯度（完备率 20%）。此外，我们给出两种替代分类器，分别使用红移或完整光变曲线，可实现更高纯度与完备率。以当前发现率，FLEET 算法每年可提供约 个纯度 85% 的 SLSN-I 候选体供光谱后随观测；借助 Legacy Survey of Space and Time，我们预计每年将增至超过 个事件。
引用
@article{arxiv.2009.01853,
title = {FLEET: A Redshift-Agnostic Machine Learning Pipeline to Rapidly Identify Hydrogen-Poor Superluminous Supernovae},
author = {Sebastian Gomez and Edo Berger and Peter K. Blanchard and Griffin Hosseinzadeh and Matt Nicholl and V. Ashley Villar and Yao Yin},
journal= {arXiv preprint arXiv:2009.01853},
year = {2020}
}
备注
17 pages, 12 figures, submitted to ApJ