利用机器学习集成模型推断 150 余个伽马射线暴的红移
宇宙学与河外天体物理
2024-01-09 v1 高能天体物理现象
摘要
伽马射线暴(GRBs)由于其极高的光度,可在红移高达 10 的距离上被探测到,因此有望成为研究宇宙早期过程的重要宇宙学探针。要充分发挥这一潜力,需要大量已知红移的 GRB 样本;然而受观测条件限制,目前仅有 11% 的 GRB 拥有已知红移()。此前已有大量通过相关性研究估计红移的尝试,但大多数预测结果不够准确。为克服这一困难,我们采用一种集成监督式机器学习模型,利用 Neil Gehrels Swift 卫星观测到的长时标 GRB 的 X 射线余辉来估计其红移。所估计的红移与观测红移之间具有强相关性(皮尔逊相关系数为 0.93),均方根误差(即平均平方误差 的平方根)为 0.46,表明该方法具有较高的可靠性。与已发表的同行评议文献中的先前结果相比,加入 GRB 余辉参数使预测精度显著提升了 63%。最后,我们利用该机器学习模型推断了 154 个 GRB 的红移,使具有平台期的长 GRB 已知红移数量增加了 94%,这是推动需要大样本红移的 GRB 群体研究的重要里程碑。
引用
@article{arxiv.2401.03589,
title = {Inferring the redshift of more than 150 GRBs with a Machine Learning Ensemble model},
author = {Maria Giovanna Dainotti and Elias Taira and Eric Wang and Elias Lehman and Aditya Narendra and Agnieszka Pollo and Grzegorz M. Madejski and Vahe Petrosian and Malgorzata Bogdan and Apratim Dey and Shubham Bhardwaj},
journal= {arXiv preprint arXiv:2401.03589},
year = {2024}
}
备注
12 Figures, 24 pages. Accepted for publication at The Astrophysical Journal Supplement Series