使用机器学习对 HSC 瞬变源进行测光分类
天体物理仪器与方法
2020-08-18 v1 高能天体物理现象
摘要
技术的进步导致超新星（SN）发现的迅速增加。Subaru/Hyper Suprime-Cam (HSC) 瞬变源巡天于 2016 年秋至 2017 年春期间进行，获得了 1824 个 SN 候选体。这引发了对光谱后续观测进行快速类型分类的需求，并促使我们开发了一种使用带有 highway 层的深度神经网络（DNN）的机器学习算法。该机器由实际观测的采样间隔和滤光片组合进行训练，使得我们可以将观测数据数组直接输入机器而无需任何解释。我们使用来自 LSST 分类挑战赛（Deep Drilling Field）的数据集测试了我们的模型。我们的分类器在二分类（SN Ia 或非 SN Ia）中获得了 0.996 的曲线下面积（AUC），在三分类（SN Ia、SN Ibc 或 SN II）中获得了 95.3% 的准确率。将我们的二分类方法应用于 HSC 瞬变源数据，获得了 0.925 的 AUC 分数。利用自首次探测起两周的 HSC 数据，该分类器在二分类中达到了 78.1% 的准确率，而使用完整数据集时准确率提高到了 84.2%。本文讨论了机器学习在 SN 类型分类中的潜在应用。
引用
@article{arxiv.2008.06726,
title = {Photometric classification of HSC transients using machine learning},
author = {Ichiro Takahashi and Nao Suzuki and Naoki Yasuda and Akisato Kimura and Naonori Ueda and Masaomi Tanaka and Nozomu Tominaga and Naoki Yoshida},
journal= {arXiv preprint arXiv:2008.06726},
year = {2020}
}
备注
23 pages, 18 figures, accepted for publication in PASJ