在 DESI 中识别类星体的最优策略
宇宙学与河外天体物理
2020-12-09 v2 天体物理仪器与方法
摘要
随着光谱巡天规模持续增长，将被类星体（QSO）作为目标的光谱分类问题需要超越历史上对人工专家的依赖。相反，自动分类器将日益成为主导的分类方法，仅留少量光谱在模糊情形下由人工目视检查。为了最大化分类精度，充分利用可用分类器至关重要，尤其在识别和消除显著失效模式时。在本工作中，我们展示了基于机器学习的分类器 QuasarNET 将对诸如暗能量光谱仪（DESI）等未来巡天有用，并将其性能与 DESI 流水线分类器 redrock 进行比较。在其巡天覆盖区域四次遍历中的第一次，DESI 需要挑选高红移（z≥2.1）QSO 进行重复观测，因此我们首先评估分类器从单次曝光光谱识别高红移 QSO 的性能。随后我们利用叠加光谱模拟巡天结束数据，量化分类器在低红移与高红移区间构建 QSO 星表的能力。对于此类任务，QuasarNET 以其当前形式能够胜过 redrock，从单次曝光中识别约 99% 的高红移 QSO，并产出污染水平低于百分之一的 QSO 星表。通过结合 QuasarNET 与 redrock 的输出，我们可进一步改进分类策略，从单次曝光中识别多达 99.5% 的高红移 QSO，并将最终 QSO 星表污染降至 0.5% 以下。这些组合策略有效满足了 DESI 的 QSO 分类需求。
引用
@article{arxiv.2007.10348,
title = {Optimal strategies for identifying quasars in DESI},
author = {James Farr and Andreu Font-Ribera and Andrew Pontzen},
journal= {arXiv preprint arXiv:2007.10348},
year = {2020}
}
备注
26 pages, 5 figures, published in JCAP