无监督机器学习方法筛选 SNR 群体中的碎片
星系天体物理
2024-09-11 v1 天体物理仪器与方法
摘要
超nova残留物（SNR）携带巨大的机械和辐射能量，对星系的结构、动力学和化学演变具有重大影响。迄今为止，发现了超过300个银河系中的SNR，呈现出多样化的观测特征。然而，现有的分类方案主要基于其射电形态。本文引入一种新型无监督深度学习管道，用于分析代表性银河系SNR亚群体（约占总量的50%），旨在寻找其多波段特征与物理属性之间的关联。该管道包含两个阶段：（1）表示学习阶段，采用卷积自编码器处理来自红外和射电连续辐射调查的数据（WISE 22μm、Hi-GAL 70μm和SMGPS 30 cm），在较低维度的潜在空间中产生紧凑表示；（2）聚类阶段在潜在空间中寻找可与SNR及其周围环境物理属性相关的有意义聚类。我们的结果表明，尽管大量源被分类为异常值，但大多数聚类与特定特征相关，如红外辐射分布、射电壳层和脉冲风暴 nebulae的存在，以及尘埃丝状结构的存在。
引用
@article{arxiv.2409.06383,
title = {Sifting the debris: Patterns in the SNR population with unsupervised ML methods},
author = {F. Bufano and C. Bordiu and T. Cecconello and M. Munari and A. Hopkins and A. Ingallinera and P. Leto and S. Loru and S. Riggi and E. Sciacca and G. Vizzari and A. De Marco and C. S. Buemi and F. Cavallaro and C. Trigilio and G. Umana},
journal= {arXiv preprint arXiv:2409.06383},
year = {2024}
}
备注
Accepted in A&A. 17 pages, 11 figures