用于检测星系团中逆康普顿发射的半监督学习

与星系团内介质（ICM）非热成分相关的逆康普顿（IC）发射一直是星系团物理学中长期寻求的现象。传统的光谱拟合常常受到双温度热谱（2T）与单温度加IC幂律谱（1T+IC）之间简并性的困扰。我们提出了一种半监督深度学习方法，用于搜索星系团中的IC发射。我们采用条件自编码器（CAE），它基于一个自编码器，其潜在表示经过训练以约束ICM的热参数。该算法使用包含仪器和天体物理背景的合成NuSTAR X射线光谱进行训练和测试。训练数据集仅包含2T光谱，这比1T+IC光谱更常见。在验证和测试数据集上进行异常检测，其中2T光谱作为正常集，1T+IC光谱作为异常。通过基于交叉验证选择的阈值异常分数，我们的算法能够在测试数据集中识别包含IC成分的光谱，平衡准确率（BAcc）为0.64，优于传统光谱拟合（BAcc = 0.55）和普通自编码器（BAcc = 0.55）。传统光谱拟合在识别真实IC光谱中的IC案例方面更优（召回率更高），而CAE做出的IC预测更可能是真实的IC案例（精确率更高），表明它们相互补充。