利用机器学习筛选强射电星系

我们开发并训练了一个由三个机器学习（ML）模型组成的流程，可预测哪些源更可能是活动星系核（AGN）并在特定射电巡天中被探测到。此外，它还能估计预测的可射电探测 AGN 的红移值。这些模型结合了基于树和梯度提升算法的预测，已使用来自霍比-埃伯利望远镜暗能量实验（HETDEX）Spring 场的近红外选源的多波段数据进行训练。训练、测试、校准和验证均在 HETDEX 场中进行。进一步的验证在 Stripe 82 场的近红外选源上执行。在 HETDEX 验证子集中，我们的流程恢复了 96% 的初始标记 AGN，并且从 AGN 候选体中恢复了 50% 先前探测到的射电源。对于 Stripe 82，这些数字分别为 94% 和 55%。与随机选择相比，这些比率在 HETDEX 上分别好 2 倍和 4 倍，在 Stripe 82 上分别好 1.2 倍和 12 倍。该流程还能恢复这些源的红移分布，HETDEX 的 $\sigma_{\mathrm{NMAD}}$ = 0.07（Stripe 82 为 $\sigma_{\mathrm{NMAD}}$ = 0.09），离群值比例为 19%（Stripe 82 为 25%），与基于宽波段测光的先前结果相符。特征重要性分析强调了近红外和中红外颜色对于筛选 AGN 并识别其射电与红移性质的相关性。在 ML 模型中组合不同算法显示我们的流程相对于源随机选择在预测能力上的提升。基于树的 ML 模型（与深度学习技术相反）便于分析特征对预测的影响。该预测可洞察射电 AGN 性质（例如黑洞质量和吸积率）之间潜在的物理相互作用。