用神经网络建模测光完备性

在几乎所有涉及光学/近红外测光的研究中，理解探测和恢复的完备性是工作的重要组成部分。恢复率通常是多个变量的函数，包括星等、颜色、背景天光噪声和拥挤度。我们探索了如何利用人工星测试，在神经网络框架内同时包含所有这些参数来建模完备性。该方法能够处理常见问题，包括非对称完备性函数和探测极限对颜色指数的双线性依赖。我们用两个哈勃空间望远镜样本数据集测试了该方法：第一个涉及巨星系英仙座NGC 1275周围星团群的测光，第二个涉及附近椭圆星系NGC 3377的晕星群。基于神经网络的方法实现了超过94%的分类准确率，并且产生的结果与确定完备性的传统技术完全一致。该方法的额外优势是：不存在数据分箱带来的问题，并且可以为真实测光中的每一颗单独恒星分配恢复概率。我们的数据、模型和代码（称为COINTOSS）可以在Zenodo上通过以下链接在线获取：https://doi.org/10.5281/zenodo.8306488。