利用测光观测研究活动星系核物理性质的机器学习应用

我们利用机器学习（ML）工具研究活动星系核（AGNs）的物理本质。我们表明，红移 $z$、热光度 $L_{\rm Bol}$、超大质量黑洞（SMBH）中心质量 $M_{\rm BH}$、Eddington 比率 $\lambda_{\rm Edd}$ 以及 AGN 类型（遮蔽或未遮蔽）仅通过多波段测光观测即可重建。我们在来自 SPIDERS-AGN 巡天的 7616 个光谱观测 AGN 上训练了随机森林回归器（RFR）ML 模型，这些源此前已与软 X 射线观测（来自 ROSAT 或 XMM）、WISE 中红外测光以及 SDSS \textit{ugriz} 滤光片的光学测光进行了交叉匹配。我们构建了一个包含 21050 个 AGN 的星表，随后用训练好的 RFR 进行重建；其中 9687 个源我们找到了存档红移测量值。所有 AGN 通过使用随机森林分类器（RFC）算法在已知源子集上被分类为 1 型或 2 型。所有已知测光测量不确定性均通过基于模拟的方法纳入。我们呈现了包含 21050 个红移范围 $0 < z < 2.5$ 的 AGN 的重建星表。我们确定了 11363 个新源的红移估计，其精度与离群率均在 2% 以内。1 型与 2 型 AGN 的区分效率分别可达 94% 与 89%。数据集中给出了所有源的遮蔽水平（AGN 分类的代理量）。给出了 21050 个新源的 $L_{\rm Bol}$、$M_{\rm BH}$ 与 $\lambda_{\rm Edd}$ 值及其估计误差。这些结果已公开可用。该星表的发布将通过呈现跨越宽红移范围、6 个量级光度的吸积历史关键参数，推动 AGN 研究。