优化用于超新星测光分类的有限星等光谱训练样本

为准备Legacy Survey of Space and Time（LSST）暂现源的测光分类，我们使用不同训练数据集开展测试。利用4米多目标光谱望远镜（4MOST）时域河外巡天（TiDES）可分类暂现源的深度估计，我们模拟了星等受限、可达$r_{\textrm{AB}} \approx$ 22.5 mag的样本。我们使用机器学习测光分类流水线软件snmachine运行仿真。与代表性训练样本相反，当训练样本为星等受限时，机器学习算法难以分类超新星。当我们将星等受限训练样本与来自更大光谱设施的暗弱高红移超新星模拟真实样本结合时，分类性能明显提升；算法的10次运行平均ROC曲线下面积（AUC）得分范围从0.547-0.628升至0.946-0.969，且在4种算法中2种的各次运行中分类样本纯度达95%。通过增强软件avocado创建新的人工光变曲线，我们在所考虑的所有机器学习算法的全部10次运行中均达到95%的分类样本纯度。使用人工神经网络算法我们还取得了最高0.986的平均AUC得分。拥有‘真实’暗弱超新星以补充星等受限样本是优化4MOST光谱样本的关键要求。然而，我们的结果作为概念验证表明，增强对于取得最佳分类结果也是必要的。