基于机器学习的 H I 21 厘米吸收谱分类
星系天体物理
2025-11-10 v1 天体物理仪器与方法
摘要
H I 21 厘米吸收是研究冷原子氢气的极其有用的方法，这种吸收可以来自沿背景射电源视线的中继星系，也可以来自射电源本身。确定大规模盲测中检测到的 H I 21 厘米吸收线是"中继"还是"关联"类型需要光学光谱，但使用光学光谱方法在实际中不可行。因此，我们研究了一种更有效、基于机器学习（ML）的方法来分类 H I 21 厘米吸收线。我们采用来自文献的 118 条已知 H I 21 厘米吸收线样本，在对这些吸收谱拟合 Busy 函数后获得的谱参数上训练了六种 ML 模型（高斯朴素贝叶斯、逻辑回归、决策树、随机森林、支持向量机和 XGBoost）。我们发现，基于这些谱参数训练的随机森林模型给出最可靠的分类结果，准确率为 89%， 分数为 0.9，AUC 分数为 0.94。我们指出，线宽参数 是控制该模型分类性能的最重要谱参数。仅使用该线宽和积分光学深度参数重新训练随机森林模型，准确率为 88%， 分数为 0.88，AUC 分数为 0.91。我们将应用这个重新训练的随机森林模型，对最近在盲测中检测到的 30 条新 H I 21 厘米吸收线（即 FLASH）进行类型预测，说明了本工作开发的技术在未来大型 H I 调查（如 Square Kilometre Array）中具有潜力。
引用
@article{arxiv.2511.01584,
title = {$\mbox{H}$ $\mbox{I}$ 21-cm Absorption Spectra Classification using Machine Learning},
author = {Debasish Mondal and Anirudh S. Nemmani and Arunima Banerjee},
journal= {arXiv preprint arXiv:2511.01584},
year = {2025}
}
备注
17 pages, 7 figures, 3 tables, 2 appendices. Accepted for publication in MNRAS