SuperRAENN：一种在 Pan-STARRS1 中等深度巡天超新星上训练的半监督超新星测光分类流水线
高能天体物理现象
2020-12-23 v1 天体物理仪器与方法
摘要
基于光学测光光变曲线信息对超新星（SNe）进行自动分类，在诸如 Rubin 天文台开展的时空遗产巡天（LSST）等宽视场时域巡天的即将到来时代至关重要。测光分类能够实现有趣事件的实时识别以进行扩展的多波段后续观测，以及档案式种群研究。在此我们呈现来自 Pan-STARRS1 中等深度巡天（PS1-MDS）的 5,243 条“类 SN”光变曲线（griz 波段）的完整样本。PS1-MDS 在观测节奏、滤光片和深度方面与计划中的 LSST 宽-快-深巡天相似，使其成为对学界有用的训练集。利用该数据集，我们训练了一种新颖的半监督机器学习算法，对具有宿主星系光谱红移的 2,315 条新类 SN 光变曲线进行测光分类。我们的算法包含一个随机森林监督分类步骤和一个我们引入循环自编码器神经网络（RAENN）的新颖无监督步骤。我们最终的流水线，称为 SuperRAENN，在五类 SN（Ia 型、Ibc 型、II 型、IIn 型、SLSN-I）上准确率为 87%。我们发现 Ia 型 SN 和 SLSN 的准确率最高，Ibc 型 SN 最低。我们完整经光谱和测光分类的样本构成为：62.0% Ia 型（1839 个对象）、19.8% II 型（553 个对象）、4.8% IIn 型（136 个对象）、11.7% Ibc 型（291 个对象）和 1.6% I 型 SLSN（54 个对象）。最后，我们讨论了如何修改该算法以用于 LSST 在线数据流。
引用
@article{arxiv.2008.04921,
title = {SuperRAENN: A Semi-supervised Supernova Photometric Classification Pipeline Trained on Pan-STARRS1 Medium Deep Survey Supernovae},
author = {V. Ashley Villar and Griffin Hosseinzadeh and Edo Berger and Michelle Ntampaka and David O. Jones and Peter Challis and Ryan Chornock and Maria R. Drout and Ryan J. Foley and Robert P. Kirshner and Ragnhild Lunnan and Raffaella Margutti and Dan Milisavljevic and Nathan Sanders and Yen-Chen Pan and Armin Rest and Daniel M. Scolnic and Eugene Magnier and Nigel Metcalfe and Richard Wainscoat and Christopher Waters},
journal= {arXiv preprint arXiv:2008.04921},
year = {2020}
}
备注
Submitted to ApJ; Companion paper to Hosseinzadeh et al.; Tables 1 and 2 available on ashleyvillar.com prior to publication