星系光谱神经网络（GaSNets）。I. 利用深度学习在eBOSS光谱中搜寻强引力透镜候选体

随着地面和空间新光谱巡天的出现，观测星系数量可达数亿，光谱分类对于标准分析技术将变得难以应对。为应对这一挑战，我们引入了一系列用于一维光谱特征分类的深度学习工具。作为这些星系光谱神经网络（GaSNets）的首个应用，我们专注于专门识别eBOSS光谱中强透镜恒星形成星系发射线的工具。我们首先讨论了这些网络的训练与测试，并定义了用于高质量事件检测的95%阈值概率 $P_L$。然后，利用先前一组经HST确认的eBOSS光谱选强透镜样本，我们估计在采用的 $P_L$ 以上回收的透镜占比约为80%的完备度。我们最终将GaSNets应用于约130万条光谱，收集了约430个新的高质量候选体首份列表，这些候选体通过应用于光谱学的深度学习识别，并被视觉评定为极可能为真实事件。针对地基观测的初步核查暂显示该样本确认率为38%，与先前用标准（非深度学习）分类工具筛选并经哈勃空间望远镜跟进的样本一致。这一首次测试表明，机器学习可高效拓展至波长空间中的特征识别，这对4MOST、DESI、Euclid和中国空间站望远镜（CSST）等未来巡天至关重要。