黑洞与中子星 X 射线双星系统的神经参数化光谱分类

我们使用深度神经网络对存档的 RXTE X 射线光谱数据进行处理，从而对黑洞和中子星 X 射线双星系统进行分类。我们首先构建了两个神经网络模型：一个仅使用光谱通量值进行训练，另一个使用通量及其相关误差进行训练。两个模型均达到了约 90-94% 的高分类准确率。为了获得这些网络在物理上的可解释性，我们用一个包含热盘分量和幂律的简单唯象模型拟合了所有光谱。通过此分析，我们确定了黑体温度、幂律指数、黑体通量与幂律通量之比、约化 $\chi^2$ 以及数据方差，这些可能是促成分类的关键参数。我们通过设计一个仅在此精简参数集上训练的附加神经网络（而不直接使用光谱数据）来验证这一推断。这种基于参数的模型达到了与光谱模型相当的分类准确率。我们的结果表明，深度神经网络不仅能以高准确率对 X 射线双星中的致密天体进行分类，还可以用从常规 X 射线光谱分析中导出的具有物理意义的光谱参数进行解释。该框架为当前和未来 X 射线巡天中的致密天体分类提供了一种有前景的、与任务无关的方法。