QPOML：一种用于探测和表征X射线双星中准周期振荡的机器学习方法
高能天体物理现象
2023-06-28 v1 天体物理仪器与方法
摘要
天文学当前正经历机器学习应用于探索大型数据集的深刻增长。然而，在许多X射线双星系统观测的功率密度谱中出现的瞬变准周期振荡(QPOs)是一种迄今尚未用机器学习探索的有趣现象。有鉴于此，我们提出并尝试了预测QPO存在及其性质的新方法，以首次利用机器学习模型实现QPO的探测与表征。我们的发现基于原始能谱以及由能谱导出的处理特征，所用数据大量来自NICER和RXTE空间望远镜档案中两个黑洞低质量X射线双星源GRS 1915+105与MAXI J1535-571。我们推进这些非传统方法，作为使用机器学习发现能量与计时现象之间跨对象的全局泛化并提供独特见解的基础，以协助应对明确理解QPO本质与起源的持续挑战。此外，我们开发了一个公开可用的Python机器学习库QPOML，以支持进一步由机器学习辅助的QPO研究。
引用
@article{arxiv.2306.04055,
title = {QPOML: A Machine Learning Approach to Detect and Characterize Quasi-Periodic Oscillations in X-ray Binaries},
author = {Thaddaeus J. Kiker and James F. Steiner and Cecilia Garraffo and Mariano Mendez and Liang Zhang},
journal= {arXiv preprint arXiv:2306.04055},
year = {2023}
}
备注
18 pages, 12 figures, accepted by MNRAS