利用机器学习识别扩展发射伽马射线暴候选体
高能天体物理现象
2023-07-05 v2
摘要
伽马射线暴（GRBs）传统上依据持续时间进行分类。数量不断增长的扩展发射（EE）GRBs——通常持续超过2秒但性质与短GRBs相似——对传统分类标准提出了挑战。本工作中，我们使用t-分布随机邻域嵌入（t-SNE）这一机器学习技术对GRBs进行分类。我们给出了截至2022年7月由Swift/BAT仪器在其所有能段观测到的GRBs的结果。我们展示了改变学习率和困惑度参数的影响，以及通过非参数降噪技术FABADA对数据进行预处理的益处。与先前工作一致，我们表明t-SNE方法将GRBs分为两个子群。我们还表明，不同作者依据不同标准报道的EE GRBs倾向于聚集在我们t-SNE图的少数区域中，并利用Swift/BAT自动流水线提供的伽马射线数据及其与先前已识别EE GRBs的邻近性，识别出七个新的EE GRB候选体。
引用
@article{arxiv.2304.08666,
title = {Identification of Extended Emission Gamma-Ray-Bursts Candidates using Machine Learning},
author = {K. Garcia-Cifuentes and R. L. Becerra and F. De Colle and J. I. Cabrera and C. del Burgo},
journal= {arXiv preprint arXiv:2304.08666},
year = {2023}
}
备注
Accepted for publication in ApJ