利用卷积神经网络收割莱曼α森林

我们开发了一种基于机器学习、使用卷积神经网络（CNN）的算法，用于在莱曼α（Ly$\alpha$）森林中识别低 HI 柱密度 Ly$\alpha$ 吸收系统（$\log{N_{\mathrm{HI}}}/{\rm cm}^{-2}<17$），并预测其物理属性，如 HI 柱密度（$\log{N}_{\mathrm{HI}}/{\rm cm}^{-2}$）、红移（$z_{\mathrm{HI}}$）和多普勒宽度（$b_{\mathrm{HI}}$）。我们的 CNN 模型使用模拟光谱（S/N $\simeq10$）训练，并在 Keck I 望远镜上高分辨率阶梯光栅光谱仪观测的红移 $z\sim2.5-2.9$ 类星体高质量光谱上测试其性能。我们发现算法识别出的系统中约 $78\%$ 被收录于人工沃伊特轮廓拟合星表。我们证明，对于所有 S/N $\gtrsim10$ 的模拟与观测光谱，CNN 的性能稳定且一致。因此，我们的模型可一致地用于分析当前及未来设备可得的海量低与高 S/N 数据。我们的 CNN 在 $12.5\leq\log{N_{\mathrm{HI}}}/\mathrm{cm^{-2}}<15.5$ 范围内提供最先进的预测，平均绝对误差为 $\Delta(\log{N}_{\mathrm{HI}}/{\rm cm}^{-2})=0.13$、$\Delta(z_{\mathrm{HI}})=2.7\times{10}^{-5}$ 与 $\Delta(b_{\mathrm{HI}})=4.1\ \mathrm{km\ s^{-1}}$。使用笔记本电脑，对一条尺寸为 120\,000 像素的光谱，每个模型 CNN 预测耗时 $<3$ 分钟。我们证明 CNN 能显著提升 Ly$\alpha$ 森林光谱分析效率，从而极大增加 Ly$\alpha$ 吸收体的统计量。