揭示 DESI 数据中隐形的 Lyman Alpha 射线发射体

我们基于机器学习卷积神经网络 (CNN) 架构提出一种自动方法，用于检测暗能量光谱仪仪器 (DESI) 数据释放第 1 版光谱数据集中隐藏的 Lyman alpha 射线发射体 (LAE)。由于当前 DESI 流程线未针对 $z>2$ 的星系红移检测与测量进行设计，这些 LAEs 大多数具有错误的红移估计。为探寻这些源头，我们首先对数千个 DESI 光谱进行可视化检查，构建包含 LAEs 与非 LAEs 的样本，用于训练和测试基于 CNN 的模型，以 (1) 检测 DESI 光谱中的 LAEs 以及 (2) 确定其 Lyα 红移。最终模型在检测 LAEs 时分别实现 95.2% 的纯度和 95.9% 的完整性。我们将该模型应用于约 $2\times10^{6}$ 个作为发射线星系目标的光谱，在单块 GPU 上 12 分钟内检测出 19,685 个来自 $z\sim2$ 到 $3.5$ 的 LAEs，展示了该模型在识别 LAEs 方面的高效性。检测到的 LAEs 大多位于亮度函数亮端，Lyα 亮度 $L_{\rm Ly\alpha} \gtrsim 10^{43}$ erg/s。检测 LAEs 的高信噪比合成光谱进一步显示出 various 谱系特征，包括金属线的 P-Cygni 轮廓和 MgII 发射线，这些可能是 Lyman 连续辐射逸出率的指示器，揭示了该 LAE 样本中丰富的天体物理信息。最后，该样本可用于训练和验证 DESI-II 调查中 LAEs 红移确定的流水线。