大规模瞬变巡天中的异常实时探测

新的时域巡天，如Vera C. Rubin天文台时空遗产巡天（LSST），每夜将观测数百万个瞬变警报，使得通过视觉识别新颖有趣瞬变的标准方法不可行。我们提出两种自动实时探测异常瞬变光变曲线的新方法。两种方法均基于一个简单思想：若能精确建模已知瞬变族的光变曲线，则任何偏离模型预测的情况都可能是异常。第一种建模方法是使用时间卷积网络（TCNs）构建的概率神经网络，第二种是关于瞬变的 Interpretable Bayesian 参数模型。我们在Zwicky瞬变设施的光变曲线上展示了方法随时间给出异常分数的能力。我们表明，神经网络的灵活性——这一使它们成为许多回归任务强大工具的特性——正使它们相较我们的参数模型更不适用于异常探测。该参数模型能以高精确率与召回率识别相对于常见超新星类的异常，对多数稀有类如千新星、潮汐瓦解事件、中等光度瞬变与对不稳定性超新星，取得精确率-召回率曲线下面积（AUCPR）高于0.79。我们识别异常的能力随光变曲线生命周期而提升。我们的框架与瞬变分类器结合使用，将实现对来自新大规模巡天的异常瞬变的快速优先后随观测。