机器学习在ZTF警报流中激变变星发现中的应用
太阳与恒星天体物理
2023-12-12 v1 高能天体物理现象
天体物理仪器与方法
摘要
激变变星（CV）包含多种吸积白矮星双星系统。每类CV代表演化旅程的一个快照，有可能触发Ia型超新星事件。CV研究提供了双星演化和吸积物理的宝贵见解，最稀有的例子可能提供最深刻的见解。然而，检测到的瞬变数量不断增加，加上我们有限的调查能力，给识别此类稀有天体带来挑战。机器学习（ML）通过促进每个检测到的瞬变分类到其各自的瞬变类别，在解决这个问题中发挥关键作用。利用这些技术，我们开发了一个针对ZTF瞬变警报流的两阶段流水线。第一阶段是警报过滤器，旨在移除非CV；第二阶段是使用XGBoost生成的ML分类器，在区分CV类别时实现了0.92的宏平均AUC分数。通过使用生成式拓扑映射算法以分类器后验概率作为输入，我们获得表示，表明CV演化因素在分类器性能中起作用，而相关的特征图提供了识别对区分类别最相关特征的有力工具。2023年6月实施该流水线产生了51个有趣候选体，尚未被报告为CV或进一步分类。我们的分类器代表了不同CV类别发现和分类的重要一步，这一研究领域仍处于起步阶段。
引用
@article{arxiv.2312.05513,
title = {Machine Learning applications for Cataclysmic Variable discovery in the ZTF alert stream},
author = {D. Mistry and C. M. Copperwheat and I. Olier and M. J. Darnley},
journal= {arXiv preprint arXiv:2312.05513},
year = {2023}
}
备注
27 pages, 11 figures, 7 tables