基于无监督机器学习的CHIME快闪射电暴分类及经验关系探讨

快闪射电暴(FRB)是高度能量的毫秒级天体现象，通常被分类为重复型或非重复型。然而，观测限制可能导致误分类， potentially 导致当前识别的重复型比例被高估。在本研究中，我们利用无监督机器学习技术对FRB进行分类，使用来自CHIME/FRB目录的数据，包括第一个目录和最近的重复型目录。通过采用Uniform Manifold Approximation and Projection进行降维和聚类算法(k-means和层次密集空间聚类带噪声应用)，我们成功将重复型和非重复型FRB分离到 distinct 簇中，识别出超过100个潜在的重复型候选者。我们的分析揭示了簇内的多个经验关系，包括 ${\rm log \,}\Delta t_{sc}-{\rm log \,}\Delta t_{rw}$, ${\rm log \,}\Delta t_{sc}-{\rm log \,}T_B$, 和 $r - \gamma$ 相关性，其中 ${\Delta t_{sc}, \Delta t_{rw}, T_B, r, \gamma}$ 分别代表散射时间、rest-frame宽度、亮度温度、光谱运行和光谱指数。Chow检验结果表明，尽管一些重复型和非重复型FRB共享类似的经验关系，但两者之间的整体区别仍然显著，这 reinforces FRBs的分类为重复型和非重复型。这些发现为理解FRB的物理属性和辐射机制提供了新的见解。本研究表明了无监督学习在FRB分类和识别潜在重复型中的有效性，为更精确的探索其起源和宇宙学应用 paving the way for future research. 未来的观测数据和机器学习方法的改进将进一步增进我们对FRB的理解。