基于无监督机器学习对遮蔽活动星系核种群的光谱证认

我们展示了一项光谱观测活动的结果，该活动针对使用一种新颖的无监督机器学习算法选出的活动星系核候选体，该算法在光学和中红外测光数据上进行训练。这些活动星系核候选体的选择未纳入先验的活动星系核选择标准，并且比可比的测光和光谱样本更暗、更红且数量更多，约为每平方度 340 个。在这项工作中，我们使用 MMT 天文台的 Hectospec 光谱仪，从两个由机器学习识别的候选活动星系核类别中获得了 178 条静止光学光谱。我们发现，我们的第一个机器学习识别组主要由 I 型活动星系核主导（85%），来自非活动星系核的污染率低于 3%。我们的第二个机器学习识别组主要由 II 型活动星系核组成（65%），污染率中等，为 15%，主要来自恒星形成星系。我们的光谱分析表明，这些类别恢复了更多被遮蔽的活动星系核，证实了机器学习技术在恢复高消光水平下的大量活动星系核种群方面的有效性。我们证明了将现有的 WISE 数据与大面积、深场光学/近红外测光巡天相结合，以选择大量活动星系核并恢复被遮蔽的超大质量黑洞增长的有效性。这种方法非常适合即将到来的测光巡天，如 Euclid、Rubin 和 Roman。