SNGuess：一种用于遴选年轻河外暂现源的方法
天体物理仪器与方法
2022-09-21 v1 机器学习
摘要
随着天文学中探测到的暂现源数量迅速增长，基于机器学习的分类方法正日益被采用。其目标通常是获得暂现源的确切分类，且为取得良好性能通常需存在大量观测。然而，设计良好且有针对性的模型可用更少的计算资源达成分类目标。本文提出SNGuess，一种旨在以高纯度发现年轻近距河外暂现源的模型。SNGuess使用一组可基于天文告警数据高效计算的特征。其中部分特征为静态特征并与告警元数据相关联，其余则须由告警中的测光观测计算而得。多数特征足够简单，可在暂现源被探测后生命周期的早期阶段即获得或算出。我们对取自兹威基暂现源设施(Zwicky Transient Facility, ZTF)跨度15个月的标注公开告警数据计算这些特征。SNGuess的核心模型由通过梯度提升训练的决策树集成构成。在2020年4月至2021年8月ZTF告警集合中，SNGuess建议的候选体约88%为真实的相关超新星(SNe)。对于具有明亮探测的告警，该比例介于92%与98%之间。自2020年4月起，SNGuess在ZTF告警流中识别为潜在年轻超新星的暂现源，已以AMPEL_ZTF_NEW组标识符发布至暂现源命名服务(Transient Name Server, TNS)。任何被ZTF观测的暂现源的SNGuess评分均可通过Web服务访问。SNGuess源代码已公开可用。
引用
@article{arxiv.2208.06534,
title = {SNGuess: A method for the selection of young extragalactic transients},
author = {N. Miranda and J. C. Freytag and J. Nordin and R. Biswas and V. Brinnel and C. Fremling and M. Kowalski and A. Mahabal and S. Reusch and J. van Santen},
journal= {arXiv preprint arXiv:2208.06534},
year = {2022}
}
备注
14 pages, 10 figures, Astronomy & Astrophysics (A&A), Forthcoming article, source code https://github.com/nmiranda/SNGuess