LSST 宽快深场中 AGN 时间序列数据的巡天节奏策略评估

机器学习是一种有前景的工具，可从稀疏采样数据中重建时间序列现象，例如活动星系核 (AGN) 的变率。此处我们使用 AGN 变率的三种连续自回归滑动平均 (CARMA) 表示——阻尼随机游走 (DRW) 与（过/欠）阻尼谐振子 (DHO)——来模拟未来 Vera Rubin 天文台时空遗产巡天 (LSST) 中出现的 10 年 AGN 光变曲线，并提供公开工具以为任意巡天节奏生成这些曲线。我们研究了 LSST 主要宽快深 (WFD) 巡天的五种提议节奏策略对 AGN 科学的影响。我们首次在天文学中应用一种新颖的随机循环神经网络 (SRNN) 算法，从模拟 LSST 数据中重建输入光变曲线，并提供度量以评估 SRNN 在帮助恢复底层 CARMA 参数方面的表现。我们发现光变曲线重建对观测季之间间隙的持续时间最敏感，而在所提议的节奏中，那些改变滤光片间平衡或避免在 {g} 波段出现长间隙者表现更好。总体而言，SRNN 是重建密集采样 AGN 光变曲线并相当好地恢复 DRW 过程长期结构函数 (SF$_\infty$) 的有前景手段。然而，我们发现对于所有节奏，CARMA/SRNN 模型由于巡天观测中的长间隙而难以恢复去相关时间尺度 ($\tau$)。这可能表明在使用 LSST WFD 数据进行 AGN 变率科学方面存在重大局限。