基于卷积循环神经网络的费米探测伽马射线瞬变源多元时间序列分类
高能天体物理现象
2026-03-31 v2
摘要
费米伽马射线空间望远镜自2008年发射以来，探测到了多种多样的伽马射线瞬变源。多年来，费米积累了大量的瞬变事件公共档案。这些事件的传统分类方法通常依赖于固定阈值、定位精度和特征光变曲线。然而，在当前时间关键、多波段和多信使天文学时代，快速可靠的分类对于实现及时的后续观测和协调观测至关重要。在这项工作中，我们开发并提出了两种基于深度学习的分类器，它们集成了卷积和循环神经网络架构。利用从费米-GBM数据中导出的多元时间序列输入，我们的模型被训练用于区分四类伽马射线瞬变源：伽马射线暴（GRBs）、地球伽马射线闪（TGFs）、太阳耀斑（SFLAREs）和软伽马射线重复暴（SGRs）。此外，模型被设计用于标记不符合这些类别中任何一个的事件，为识别潜在的新型或罕见瞬变源类型提供途径。训练使用了一个精心挑选的高置信度费米事件子集。最终模型达到了93%的整体分类准确率，并识别出约2.5%的触发事件为来源未知的异常值。当应用于分类不确定的费米事件时，我们的模型以超过60%的置信度将其中60%的事件归入TGF类别。这些结果表明，将基于深度学习的分类纳入星载或自动化数据处理流程，可以显著增强瞬变源识别，减少误分类，并提高未来高能天体物理学任务中发现新现象的潜力。
引用
@article{arxiv.2510.22412,
title = {Multivariate Time Series Classification of Fermi-Detected Gamma-Ray Transients Using Convolutional-Recurrent Neural Networks},
author = {Arpan Aryam John and Krushna Govind Shete and Shabnam Iyyani and Saptarshi Bej},
journal= {arXiv preprint arXiv:2510.22412},
year = {2026}
}
备注
19 pages, 11 Figures, accepted in Machine Learning Science and Technology (MLST) - IOP Science