基于监督学习的超新星遗迹巡天中 Ia 型超新星测光分类
天体物理仪器与方法
2016-12-14 v2 宇宙学与河外天体物理
摘要
在大规模天文巡天时代，由于用于候选体后续观测和分类的光谱资源有限，超新星 (SNe) 的测光分类已成为一个重要的研究领域。本工作中，我们提出一种基于机器学习、利用从 SN 光变曲线导出的红移对 Ia 型超新星进行测光分类的方法。该方法在来自 SNLS 延迟流水线的真实数据上实现，这是一个纯测光流水线，用于识别高红移 () 的 SNe Ia。我们的方法包含两个阶段：特征提取（从测光数据获取 SN 红移并估计光变曲线形状参数）和机器学习分类。我们研究了不同算法的性能，如随机森林和提升决策树。我们使用 SN 模拟和来自超新星遗迹巡天 (SNLS) 前 3 年的真实数据评估性能，该数据包含大量光谱和测光分类的 Ia 型样本。使用曲线下面积 (AUC) 度量（完美分类为 1），我们发现性能最佳的分类器（极端梯度提升决策树）的 AUC 为 。我们证明，获得一个估计污染率低于 的大型测光选择 Ia 型 SN 样本是可能的。当应用于 SNLS 前三年的数据时，我们获得了 529 个事件。我们研究了分类模拟 SNe 与真实 SN 巡天数据之间的差异。特别是，我们发现对 SN 样本施加一套彻底的筛选截断对于良好分类至关重要。本工作首次证明了机器学习分类在应用于真实 SN 数据的高红移 SN 巡天中的可行性。
引用
@article{arxiv.1608.05423,
title = {Photometric classification of type Ia supernovae in the SuperNova Legacy Survey with supervised learning},
author = {A. Möller and V. Ruhlmann-Kleider and C. Leloup and J. Neveu and N. Palanque-Delabrouille and J. Rich and R. Carlberg and C. Lidman and C. Pritchet},
journal= {arXiv preprint arXiv:1608.05423},
year = {2016}
}
备注
v2: accepted to JCAP. v1: 27 pages, submitted to JCAP