PELICAN：用于光变曲线分析的深度学习架构
天体物理仪器与方法
2019-07-10 v1
摘要
我们开发了一种用于光变曲线分析的深度学习架构（PELICAN），用于光变曲线的表征与分类。它以光变曲线作为输入，无需任何额外特征。PELICAN 能够处理光变曲线的稀疏性和不规则采样。它旨在消除由于光谱后续观测的局限性导致的训练库与测试库之间的非代表性问题。我们将我们的方法应用于不同的超新星光变曲线数据库。首先，我们在超新星测光分类挑战赛上评估了 PELICAN，使用非代表性训练库达到了 0.811 的准确率，取得了迄今为止的最佳性能。然后我们在 LSST 深场的模拟光变曲线上测试了 PELICAN，在采用 2k 条光变曲线的非代表性训练库时，PELICAN 能以高于 98% 的精度识别出 87.4% 的 Ia 型超新星。PELICAN 可以用 LSST 深场的光变曲线训练，以分类采样率更低、噪声更大的 LSST 主巡天光变曲线。在此情形下，使用深场 2k 条光变曲线的训练库达到了 96.5% 的准确率。这是一个关键结果，因为主巡天的 Ia 型超新星候选可由此用于增加统计量而无需额外光谱后续观测。最后我们在斯隆数字巡天的真实数据上评估了 PELICAN。PELICAN 在使用由模拟数据和 10% 真实数据组成的训练库时达到了 86.8% 的准确率。PELICAN 处理训练与测试库之间不同非代表性成因的能力，以及它对巡天性质和观测条件的鲁棒性，使其处于 LSST 时代光变曲线分类工具的前沿。
引用
@article{arxiv.1901.01298,
title = {PELICAN: deeP architecturE for the LIght Curve ANalysis},
author = {Johanna Pasquet and Jérôme Pasquet and Marc Chaumont and Dominique Fouchez},
journal= {arXiv preprint arXiv:1901.01298},
year = {2019}
}