利用神经网络预测 X 射线反响活动星系核的黑洞质量及相关性

我们开发神经网络模型，利用 XMM-Newton 档案中的 22 个反响活动星系核（AGN）样本预测黑洞质量。模型特征包括 2-10 keV 能段的分数超额方差（$F_{\rm var}$）、Fe-K 滞后幅度、2-10 keV 光子计数和红移。我们发现神经网络模型的预测精度显著高于传统线性回归方法所得结果。我们预测的质量可约束在真实值的 $\pm (2$-5) 百分之内，表明神经网络技术是一种有前景且独立的限制黑洞质量的方法。我们还将该模型应用于 21 个非反响 AGN，以排除它们展现滞后的可能性（部分质量与 $F_{\rm var}$ 过小，部分质量与 $F_{\rm var}$ 过大，违背了反响 AGN 中的 $F_{\rm var}$-滞后-质量关系）。我们还利用神经网络模型的多特征参数空间模拟了 3200 个反响 AGN 样本，以研究若反响 AGN 数量增加时的全局关系。我们发现 $F_{\rm var}$-质量反相关随新发现反响 AGN 数量增多可能更强。相反，为维持滞后-质量标度关系，滞后与 $F_{\rm var}$ 之间的紧密反相关必须保持。在极端情形下，滞后-质量相关系数可显著下降，若被观测到，可能暗示扩展日冕框架，其中观测到的滞后更多由日冕性质而非几何驱动。