通过扩展 FLEET 机器学习算法识别潮汐撕裂事件
高能天体物理现象
2023-06-14 v1 天体物理仪器与方法
摘要
我们提出了 FLEET 的扩展版本，这是一种经过优化的机器学习算法，用于筛选最可能为潮汐撕裂事件（TDE）的暂现源。FLEET 基于随机森林算法，训练于 4,779 个经光谱分类的暂现源的光变曲线和宿主星系信息。对于 TDE 概率 \ptde 的暂现源，在使用前 20 天测光数据时，我们能以约 40% 完备度和约 30% 纯度成功回收 TDE；若包含 40 天测光数据，则完备度相近且纯度约 50%。我们发现区分 TDE 与其他暂现源的最相关特征是归一化宿主分离度，以及峰值期间的光变曲线 颜色。此外，我们利用 FLEET 生成了 Zwicky 暂现源设施发现但目前仍未分类的 39 个最可能 TDE 候选体列表。我们探索了 FLEET 在薇拉·C·鲁宾天文台的时空遗留巡天（\textit{Rubin}）和\textit{南希·格雷斯·罗曼空间望远镜}（\textit{Roman}）上的应用。我们模拟了 \textit{Rubin} 和 \textit{Roman} 的巡天策略，估计 \textit{Rubin} 每年可发现约 个 TDE，\textit{Roman} 每年约 200 个 TDE。最后，我们在 \textit{Rubin} 巡天模拟的 TDE 上运行 FLEET，发现以 \ptde 可在红移 下回收约 30% 的 TDE。这相当于 FLEET 每年可从 \textit{Rubin} 发掘约 3,000 个 TDE。FLEET 作为开源包发布于 GitHub https://github.com/gmzsebastian/FLEET
引用
@article{arxiv.2210.10810,
title = {Identifying Tidal Disruption Events with an Expansion of the FLEET Machine Learning Algorithm},
author = {Sebastian Gomez and V. Ashley Villar and Edo Berger and Suvi Gezari and Sjoert van Velzen and Matt Nicholl and Peter K. Blanchard and Kate. D. Alexander},
journal= {arXiv preprint arXiv:2210.10810},
year = {2023}
}
备注
17 pages, 12 figures, submitted to ApJ