积分视场单元光谱观测的机器学习方法：I. HII 区运动学
天体物理仪器与方法
2020-10-14 v2 星系天体物理
摘要
SITELLE 是一种新颖的积分视场单元光谱仪，具有令人印象深刻的视场（11 乘 11 角分）、光谱覆盖范围和光谱分辨率（R=1-20000）。SIGNALS 预计将获得 40 个星系的深层观测（低至 3.6x10-17 ergs s-1 cm-2），每个星系都需要复杂且大量的时间来提取光谱信息。我们提出了一种使用卷积神经网络（CNN）来估计 SITELLE 在 SIGNALS 大计划中所得光学光谱发射线参数的方法。我们的算法在基于 Mexican Million Models 数据库（3MdB）BOND 模拟的典型 HII 区发射光谱合成数据上训练和测试。网络的激活图展示了其从 SITELLE 的 SN3（651-685 nm）滤光片中的一组 5 条发射线（例如 H{\alpha}、N[II] 双线和 S[II] 双线）提取动力学（展宽和速度）参数的能力。训练后，该算法在 SIGNALS 计划中 M33 西南场之一的真实 SITELLE 观测上进行了测试。CNN 在 H{\alpha} 线上信噪比大于 15 的区域中以优于 5 km s-1 的精度恢复了动力学参数。更重要的是，与标准拟合流程相比，我们的 CNN 方法在具有原生空间分辨率的光谱立方体上将计算时间减少了一个数量级以上。这些结果清楚地说明了机器学习算法在未来基于 IFU 的任务中的威力。后续工作将探索该方法对其他光谱参数（如关键发射线流量）的适用性。
引用
@article{arxiv.2008.08093,
title = {Machine Learning Approach to Integral Field Unit Spectroscopy Observations: I. HII Region Kinematics},
author = {Carter L. Rhea and Laurie Rousseau-Nepton and Simon Prunet and Julie Hlavacek-larrondo and Sebastien Fabbro},
journal= {arXiv preprint arXiv:2008.08093},
year = {2020}
}
备注
14 pages, 11 figures Accepted in ApJ