基于主动学习在 ZTF DR3 中的超新星搜寻
高能天体物理现象
2023-04-12 v2 天体物理仪器与方法
摘要
我们给出了完整的 SNAD 自适应学习流水线在大规模天文巡天广泛数据背景下的首批结果。本工作的主要目标是探索自适应学习技术应用于大数据集的潜力。我们的 SNAD 团队使用主动异常发现（AAD）作为工具，在 Zwicky Transient Facility（ZTF）巡天前 9.4 个月（即 2018 年 3 月 17 日至 12 月 31 日，58194 < MJD < 58483）的光度数据中搜寻新的超新星（SN）候选体。我们分析了高银纬的 70 个 ZTF 天区，并对 2100 个离群点进行了目视检查。由此发现了 104 个类 SN 天体，其中 57 个首次报告至 Transient Name Server，47 个此前已在其他星表中被提及，要么作为已知类型的 SNe，要么作为 SN 候选体。我们对未编目瞬变源的多色光变曲线进行了目视检查，并用不同超新星模型进行拟合以归为可能的测光类型：Ia、Ib/c、IIP、IIL 或 IIn。此外，我们还发现了未报告的缓慢演化瞬变源，它们是很好的超亮 SN 候选体，以及少数其他未编目天体，如红矮星耀斑和活动星系核。除了证实 AAD 策略背后的人机融合有效性外，我们的结果揭示了当前可用流水线中潜在的遗漏。这些发现有助于在未来大规模天文巡天中避免类似损失。此外，该算法能够直接搜索任何类型的数据，并基于专家定义的任何异常集。
引用
@article{arxiv.2208.09053,
title = {Supernova search with active learning in ZTF DR3},
author = {Maria V. Pruzhinskaya and Emille E. O. Ishida and Alexandra K. Novinskaya and Etienne Russeil and Alina A. Volnova and Konstantin L. Malanchev and Matwey V. Kornilov and Patrick D. Aleo and Vladimir S. Korolev and Vadim V. Krushinsky and Sreevarsha Sreejith and Emmanuel Gangler},
journal= {arXiv preprint arXiv:2208.09053},
year = {2023}
}
备注
22 pages with appendix, 12 figures, 2 tables, accepted for publication in Astronomy and Astrophysics