RAPID：利用深度学习对爆发暂现源进行早期分类
天体物理仪器与方法
2019-10-08 v2 高能天体物理现象
机器学习
机器学习
摘要
我们提出 RAPID（Real-time Automated Photometric IDentification，实时自动测光识别），一种新颖的时间序列分类工具，能够从初始警报后一天内到光变曲线全生命周期自动识别暂现源。利用带门控循环单元（GRUs）的深度循环神经网络，我们提出首个专门设计用于提供天文时间序列数据早期分类的方法，对 12 种不同暂现源类型进行分类。我们的分类器可处理具任意相位覆盖的光变曲线，且不依赖从数据推导计算昂贵的特性，使 RAPID 非常适于处理 Zwicky Transient Facility（ZTF）与 Large Synoptic Survey Telescope（LSST）等正在进行与即将开展的宽视场巡天将产生的数百万警报。分类精度随暂现源生命周期内更多测光数据可用而提升，在 12 个暂现源类别中，我们在早期与晚期分别获得接收者操作特征曲线下平均面积 0.95 与 0.98。我们展示了 RAPID 从 ZTF 数据流有效提供观测暂现源早期分类的能力。我们已将 RAPID 作为开源软件包（https://astrorapid.readthedocs.io）提供，供基于机器学习的警报代理使用，以在数秒内对几千条光变曲线自主快速分类。
引用
@article{arxiv.1904.00014,
title = {RAPID: Early Classification of Explosive Transients using Deep Learning},
author = {Daniel Muthukrishna and Gautham Narayan and Kaisey S. Mandel and Rahul Biswas and Renée Hložek},
journal= {arXiv preprint arXiv:1904.00014},
year = {2019}
}
备注
Accepted version. 28 pages, 16 figures, 2 tables, PASP Special Issue on Methods for Time-Domain Astrophysics. Submitted: 13 December 2018, Accepted: 26 March 2019