用于类星体变率建模与黑洞性质推断的潜随机微分方程

类星体是明亮且未受遮挡的活动星系核（AGN），被认为由星系中心超大质量黑洞周围物质的吸积所驱动。类星体亮度的时变包含关于其物理性质的有价值信息。UV/光学变率被认为是一个随机过程，常表示为由随机微分方程（SDE）描述的阻尼随机游走。即将到来的宽视场望远镜，如 Rubin 天文台时空遗产巡天（LSST），预计将在十年间以多波段观测数千万个 AGN，因此需要能够处理海量数据的高效自动化建模技术。潜 SDE 是适用于类星体变率建模的机器学习模型，因其可显式捕捉底层随机动力学。本工作中，我们调整潜 SDE 以联合重建多变量类星体光变曲线并推断其物理性质，如黑洞质量、倾角和温度斜率。我们的模型在 LSST 十年类星体光变曲线的真实模拟上训练，并证明其即使在跨波段存在长季节性间隙和不规则采样时也能重建类星体光变曲线，优于多输出高斯过程回归基线。我们的方法有望提供对类星体物理性质的更深入理解，并适用于广泛的其他具有缺失数据和不规则采样的多变量时间序列。