基于共形预测的维里黑洞质量不确定性量化

黑洞质量的精确测量对于深入理解黑洞与宿主星系的协同演化至关重要。直接测量黑洞质量通常仅限于最近的星系，而对于高红移天体，则采用基于单历元维里黑洞质量估计的间接方法。然而，该方法依赖于来自少量本地活动星系核的标度关系，因此存在偏差和不确定性。在本研究中，我们提出在机器学习框架下应用共形化分位数回归（CQR）来量化黑洞预测的不确定性。我们将 CQR 与多种预测区间技术进行比较，并证明 CQR 能提供更实用的预测区间指示量。与预测区间估计的基线方法相比，我们表明 CQR 方法提供的预测区间能够随黑洞质量及其相关属性进行调整。即对于较大的黑洞质量以及相应明亮且谱线宽度较宽的源，其预测区间约束更紧（因而更确定）。结合神经网络模型与 CQR 框架，所恢复的维里黑洞质量预测及不确定性与斯隆数字巡天（Sloan Digital Sky Survey）的测量结果相当。代码已公开于 https://github.com/yongsukyee/uncertain_blackholemass。