ParSNIP:基于物理启发的深度学习的瞬变星光变曲线生成模型

我们提出了一种从未标记光变曲线数据集中生成各类天文瞬变现象经验生成模型的新方法。我们的混合模型称为 ParSNIP,使用神经网络来建模不同瞬变现象未知的内在多样性,并使用显式的基于物理的模型来描述瞬变源的光如何穿过宇宙并被观测。ParSNIP 模型尽管仅在光度观测上进行训练,却能预测瞬变源随时间变化的光谱。利用三维内在模型,我们能够以 0.04-0.06 mag 的模型不确定度拟合许多不同类型瞬变源的样本外多波段光变曲线。ParSNIP 模型学习到的表示对红移不变,因此即使训练集存在严重偏差,它也可用于对瞬变源进行测光分类。我们的分类技术在模拟 (PLAsTiCC) 和真实 (PS1) 数据集上均显著优于 state-of-the-art 方法,在 Type~Ia 超新星分类中污染分别减少了 2.3$\times$ 和 2$\times$。我们展示了我们的模型如何识别此前未观测到的瞬变源类型,并生成了纯度为 90% 的样本。ParSNIP 模型还能估计 PS1 数据集中 Type Ia 超新星的距离,其 RMS 为 0.150 $\pm$ 0.007 mag,而在相同样本上 SALT2 模型的 RMS 为 0.155 $\pm$ 0.008 mag。我们讨论了如何使用我们的模型在不需显式分类的情况下为超新星宇宙学生成距离估计。