利用机器学习预测的红移探讨长期Gamma射线暴性质的演化

Gamma 射线暴（GRBs）是探索星际星形成历史、可追溯到中和层时代的有价值探针，拥有已知红移（$z$）的大型数据集是这些研究的重要前提。通常，$z$ 通过光谱或光度测量，但约有 80% 的 GRB lacks 此类数据。提示和尾后关联可提供这些情况下的估计，尽管其因假设的宇宙学和探测器阈值限制而受系统不确定性影响。我们使用基于提示和尾后参数的机器学习模型估计的 $z$，这些模型不依赖于宇宙学假设。随后我们使用包含已测量与预测红移的增强 GRB 样本，形成更大的数据集。我们发现，预测的红移是理解 GRB 属性演化的关键步骤。我们测试了三个情形：无演化、枢纽因子的演化，以及所有演化因子 $(1+z)^\delta$ 的演化。我们发现，这些情形能够解释红移范围在 1-2 之间的密度率，但 neither 情形能够解释更小或更大红移处的导出密度率，这可能指向演化因子不同于简单幂律。另一种可能性是这种偏差源于样本的非均匀性，例如部分长期 GRB 来自非塌缩星。