QuasarNET：基于深度神经网络的人级光谱分类与红移测量

我们介绍 QuasarNET，一个深度卷积神经网络，以人类专家精度执行天体光谱的分类与红移估计。我们将这两个任务表述为一个\emph{特征检测}问题：光谱特征的有无决定类别，而其波长决定红移，非常类似于人类专家的处理方式。当在 BOSS 数据上运行以通过其发射线辨认类星体时，QuasarNET 定义了一个纯度 $99.51\pm0.03$\%、完备度 $99.52\pm0.03$\% 的样本，远高于许多使用这些数据的分析之要求。QuasarNET 将引发灾难性红移失败的谱线混淆问题显著降至 0.2\% 以下。我们还将 QuasarNET 扩展至分类具有宽吸收线 (BAL) 特征的光谱，在识别 BAL 上达到 $98.0\pm0.4$\% 的精度，在排斥非 BAL 类星体上达到 $97.0\pm0.2$\% 的精度。QuasarNET 训练于低信噪比与中等分辨率的数据，这正是当前与未来天体物理巡天的典型情况，并可轻易应用于分类来自当前及即将到来的巡天（如 eBOSS、DESI 和 4MOST）的光谱。