Lower bounds on photometric redshift errors from Type Ia supernovae templates
迄今为止,Ia型超新星的宇宙学需要广泛的光谱跟踪来建立红移。虽然以目前的发现速度还可以忍受,但下一代地面全天观测仪器将使这种方法无法持续。基于光度测量的红移测定是一个可行的选择,但引入了不可忽略的误差,最终降低了区分竞争宇宙学的能力。我们提出了一个严格的基于模板的光度红移估计和计算红移重建误差的光度和统计误差的存在。合理的假设的节奏和超新星的分布,这些红移误差与系统误差相结合,并使用Fisher矩阵形式主义传播$Ω_w$和$Ω_w'$相关的下一代地面全天空调查的联合误差的下限。
2009-07-30 astro-ph.CO astro-ph.IM
Semi-supervised Learning for Photometric Supernova Classification
我们提出了一个半监督的光度超新星分型方法。我们的方法是首先使用非线性降维技术扩散图来检测超新星光变曲线数据库中的结构,然后在光谱确认的训练集上采用随机森林分类来学习可以预测每个新观察到的超新星类型的模型。我们证明了这是一种有效的超新星分型方法。随着超新星数量的增加,我们的半监督方法有效地利用这些信息来改善分类,这是基于模板的方法所不具备的属性。应用于Kessler等人(2010 b)模拟的超新星数据,以模拟暗能量调查,我们的方法在光谱样品上实现了(交叉验证)95%的Ia型纯度和87%的Ia型效率,但由于光谱跟踪策略,光度样品上的Ia型纯度和效率仅为50%。为了提高光度样本的性能,我们通过研究我们的机器学习超新星分类对用于获得训练集的特定策略的敏感性来寻找更好的光谱后续程序。在固定的光谱跟踪时间下,我们发现更深的限幅光谱测量更适合于生成训练集。对于超新星Ia(II-P)分型,我们获得了44%(1%)的纯度增加到72%(87%)和30%(162%)的效率增加到65%(84%)的样本使用第25(24.5)的星等限制调查,而不是在原来的模拟中使用的较浅的光谱样本。当红移信息是可用的,我们将其纳入我们的分析使用一种新的方法,改变超新星的扩散图表示。消除宿主红移导致Ia型纯度提高5%,Ia型效率提高13%。
2011-09-27 astro-ph.IM stat.AP
First Cosmology Results Using Type Ia Supernovae From the Dark Energy Survey: Photometric Pipeline and Light Curve Data Release
本文给出了暗能量巡天超新星计划(DES-SN)前3年光谱分类样本中251颗Ia型超新星(SNe Ia)的格里兹光变曲线。本文中描述的光度管道通过采用场景建模方法产生宇宙学参数分析中使用的校准通量和相关不确定性(Brout et al. 2018-ESTA,DES Collaboration et al. 2018),该方法同时对可变瞬态通量和时间恒定的宿主星系进行前向建模。我们将人工点源注入DECam图像,以测试我们的光度测量方法的准确性。比较输入和测量的人造超新星通量,我们发现通量偏差峰值在3毫等。我们需要校正我们的光度不确定性作为宿主星系表面亮度在瞬态位置的函数,类似于DES差异成像管道用来发现瞬态。光变曲线的公开发布可以在https://des.ncsa.illinois.edu/releases/sn上找到。
2019-06-01 astro-ph.IM
Considerations for optimizing photometric classification of supernovae from the Rubin Observatory
维拉C。鲁宾天文台将使观测到的超新星(SNe)数量增加一个数量级;然而,不可能通过光谱确认所有发现的SNe的类别。因此,光度分类是至关重要的,但其准确性取决于鲁宾天文台的时空遗产调查(LSST)尚未最终确定的观测策略。我们定量分析了LSST观测策略对SNe分类的影响,使用来自光度LSST天文时间序列分类挑战赛(PLASTiCC)的模拟多波段光变曲线。首先,我们增加模拟训练集的光度红移分布每超新星类,观测的节奏,和测试集的通量不确定性分布的代表。然后,我们建立了一个分类器,使用光度瞬态分类库snmachine,基于高斯过程拟合获得的小波特征,产生类似的性能获奖PLASTiCC条目。我们研究了在一个单一的模拟观察策略的分类性能与不同的属性SNe。我们发现季节长度很重要,150天的光变曲线产生最高的性能。节奏对SNe分类也有重要影响;中位夜间间隔<3.5天的事件产生更高的分类性能。有趣的是,我们发现,光变曲线观测中的大间隙(>10天)不会影响性能,如果在任何一侧都有足够的观测数据,这是由于高斯过程插值的有效性。该分析是首次探索观测策略对光度超新星分类的影响。
2021-10-29 astro-ph.CO astro-ph.IM
SuperRAENN: A Semi-supervised Supernova Photometric Classification Pipeline Trained on Pan-STARRS1 Medium Deep Survey Supernovae
基于光学光度学光变曲线信息的超新星(SNe)自动分类在即将到来的宽场时域调查时代是必不可少的,例如鲁宾天文台进行的时空遗产调查(LSST)。光度分类可以实时识别感兴趣的事件,用于扩展的多波长随访以及存档人口研究。在这里,我们提出了完整的样本5,243“SN样”光变曲线(格利兹)从泛星1中深调查(PS1-MDS)。PS1-MDS在节奏、过滤器和深度方面与计划中的LSST Wide-Fast-Deep调查相似,使其成为社区有用的培训集。使用这个数据集,我们训练一种新的半监督机器学习算法,对2,315个新的类SN光变曲线与宿主星系光谱红移进行光度分类。我们的算法包括一个随机森林监督分类步骤和一个新的无监督步骤,其中我们引入了一个经常性的自编码器神经网络(RAENN)。我们的最终管道被称为SuperRAENN,在五个SN类别(Ia,Ibc,II,IIn,SLSN-I)中的准确率为87%。我们发现Ia型SNe和SLSNe的准确率最高,Ibc型SNe的准确率最低。我们完整的光谱和光度分类样本分为:62.0% Ia型(1839个物体),19.8% II型(553个物体),4.8% IIn型(136个物体),11.7% Ibc型(291个物体)和1.6% I型SLSNe(54个物体)。最后,我们讨论了该算法可以修改在线LSST数据流。
2020-08-11 astro-ph.HE astro-ph.IM
Supercal: Cross-Calibration of Multiple Photometric Systems to Improve Cosmological Measurements with Type Ia Supernovae
目前使用Ia型超新星(SN Ia)观测的宇宙学分析结合了SN样本,以扩大红移范围,超出单个样本的范围,并增加了整体样本的大小。不同SN样本间的不均匀光度定标是宇宙学参数估计中最大的系统不确定度之一。为了将这些不同的样品放在一个系统上,目前的分析使用$HST$系统上非常明亮的通量标准的小样品的观测。我们提出了一个补充的方法,称为“Supercal”,其中我们使用的测量次级标准在每个系统中,比较这些测量的相同的恒星在泛星1(PS1)系统,并确定每个系统相对于PS1的偏移,把所有SN观测一个单一的,一致的光度系统。PS1已经观测到天空的$3π$,并且具有优于5毫等的相对校准(对于$\sim15<griz<21$等),使其成为理想的参考系。我们使用这个过程来重新校准以下SN样本的光学观测:PS1,SNLS,SDSS,CSP和CfA 1 -4。我们测量的差异平均为10毫微克,但高达35毫微克,在各种光学通带。我们发现,纠正这些差异的变化恢复值的暗能量状态方程参数,$w$,平均$2.6\%$。这一变化大约是当前对$w$的统计约束的一半。该效应的大小在很大程度上取决于低$z$调查的$B-V$校准误差。Supercal方法将允许将来的分析将过去的样品与最佳校准样品联系起来。
2015-11-11 astro-ph.IM
Photometric type Ia supernova surveys in narrow band filters
我们研究了窄带Ia型超新星调查的特点,通过模拟的基础上即将到来的Javalambre物理加速宇宙天体物理调查(J-PAS)。这种独特的调查有能力获得距离,红移和SN类型从一个单一的实验,从而规避了资源密集型光谱后续观测所面临的挑战。我们分析了流量测量的信噪比和偏差,超新星分型性能,恢复SALT 2模型给出的光变曲线参数的能力,Ia型超新星光变曲线的光度红移精度和系统误差对数据的影响。我们表明,这样的调查不仅是可行的,而且可能会产生大型Ia型超新星样本(每个月搜索$z<0.5$多达250颗超新星),核心塌陷污染低($\sim 1.5$ %),SALT 2参数的精确度良好(平均$σ_{m_B}=0.063$、$σ_{x_1}=0.47$和$σ_c=0.040$)和距离模数(平均$σ_μ=0.16$,假设固有散射$σ_{\mathrm{int}}=0.14$),具有识别的系统不确定性$σ_{\mathrm{sys}}\lesssim 0.10 σ_{\mathrm{stat}}$。此外,过滤器足够窄,以检测大多数光谱特征,并获得良好的光度红移精度$σ_z=0.005$,除了$\sim$ 2%的离群值。我们还提出了一些优化调查结果的策略。窄带巡天与详细的宿主星系信息一起,对于研究超新星速率、光谱特征关系、内在颜色变化以及超新星与宿主星系性质之间的相关性非常有价值,所有这些都是超新星宇宙学应…
2014-10-23 astro-ph.CO astro-ph.IM
On the cosmological performance of photometrically classified supernovae with machine learning
对不同类型超新星的有效分类是观测宇宙学中最重要的问题之一。然而,在即将到来的测光调查中,如鲁宾天文台的时空遗产调查(LSST),大多数物体的光谱确认将是不可行的。因此,基于光度学的自动分类过程的发展变得至关重要。在本文中,我们使用2010年发布的超新星光度分类挑战赛中的模拟光变曲线,研究了机器学习(ML)分类对最终宇宙学约束的性能。我们研究了基于决策树集成或自动搜索过程的光曲线和许多不同ML管道的不同特征集的使用。为了构造最终的星表,我们提出了一个阈值选择方法,通过采用一个\emph{Bias-Variance tradeoff}。这是一个非常强大和有效的方法来最大限度地减少均方误差。用这种方法,我们能够得到非常强的宇宙学约束,这使我们能够保持$\sim 75\%$的总信息在类型Ia SNe时,使用SALT 2功能集和$\sim 33\%$的其他情况下(基于纽林模型或标准小波分解)。
2020-08-13 astro-ph.CO astro-ph.IM
STACCATO: A Novel Solution to Supernova Photometric Classification with Biased Training Sets
我们提出了一个新的解决方案,从他们的光变曲线单独给出光谱确认,但有偏见的训练集,避免了需要获得一个昂贵的观测无偏见的训练集的Ia型超新星的分类问题。我们使用高斯过程(GPs)模型的超新星(SN)的光变曲线,并证明协方差函数的选择只有很小的影响GPs的能力,准确地分类SNE。我们扩展并改进了Richards等人(2012)的方法--一种结合随机森林分类器的扩散图--以专门处理有偏训练集的情况。我们提出了一种新的方法,称为STACCATO(合成增强光曲线分类),通过从拟合的GP生成额外的训练数据来合成增强有偏的训练集。该方法成功的关键是基于其被包括在训练集中的倾向得分将观察划分为子组。使用模拟的光曲线数据,我们表明,STACCATO提高性能,如通过受试者工作特征曲线(AUC)下的面积所测量的,从0.93到0.96,接近使用无偏训练集的“金标准”获得的AUC 0.977,并显着改善了以前的最佳结果0.88。STACCATO还将SNIa分类的真阳性率提高了50倍,用于高红移/低亮度SNe。
2020-04-02 astro-ph.IM
SuperNNova: an open-source framework for Bayesian, Neural Network based supernova classification
我们介绍SuperNNova,这是一个开源的超新星光度分类框架,它利用了深度神经网络的最新进展。我们的核心算法是一个递归神经网络(RNN),它只使用光度信息进行训练来分类光曲线。附加的信息,如主星系的红移可以被纳入,以提高性能。我们评估我们的框架使用现实的超新星模拟,包括调查检测。我们表明,我们的方法,Ia型与非Ia超新星分类问题,达到精度大于96.92 +- 0.09没有任何红移的信息和高达99.55 +- 0.06时,红移,光度或光谱,是可用的。此外,我们还表明,我们的方法在不完整光变曲线的分类方面取得了前所未有的性能,在最大光前两天没有宿主星系红移(具有红移信息)的情况下,准确度达到>86.4 +- 0.1(>93.5 +- 0.8)。与以前的方法相比,不需要耗时的特征工程,我们证明了我们的方法可以以适度的计算预算扩展到非常大的数据集。此外,我们还研究了机器学习算法中经常被忽视的陷阱。我们发现,常用的算法遭受不良校准和过度自信的分布样本时,适用于超新星数据。我们设计了广泛的测试来估计分类器的鲁棒性,并在贝叶斯光下进行学习过程,从而更好地处理不确定性。我们研究了贝叶斯RNN对超新星Ia宇宙学的好处。我们的代码是开源的,可以在https://github.com/supernnova/SuperNNova上找到。
2019-12-03 astro-ph.IM
zBEAMS: A unified solution for supernova cosmology with redshift uncertainties
没有光谱的超新星宇宙学将是未来调查的重要组成部分,如LSST。这种超新星光谱的缺乏导致红移的不确定性,如果忽略它,就会导致宇宙学参数的估计有很大的偏差。在这里,我们提出了一个分层贝叶斯形式主义- zBEAMS -解决这个问题,边缘化的未知或不确定的超新星红移产生无偏的宇宙学估计与超新星数据与光谱确认的红移竞争。zBEAMS提供了一个统一的处理光度红移和宿主星系的错误识别(由于偶然的星系排列或微弱的宿主而发生),有效地纠正了哈勃图中不可避免的污染。像它的前身BEAMS一样,我们的形式主义也通过边缘化未知的超新星类型来处理非Ia超新星污染。我们用光度红移和宿主星系错误识别的超新星模拟来说明这种技术。光度红移的一个新特征是超新星的红移分布所起的重要作用。
2017-10-26 astro-ph.CO astro-ph.IM
Pan-chromatic photometric classification of supernovae from multiple surveys and transfer learning for future surveys
时域天文学正在进入一个新的时代,因为更高节奏的宽场调查允许比以往任何时候都更多的发现。该领域越来越多地使用机器学习和深度学习来将瞬变自动分类为已建立的分类法。训练这样的分类器需要足够大和有代表性的训练集,这对于未来的新调查,如Vera Rubin天文台,特别是在运行初期,是不能保证的。我们提出了使用高斯过程来创建来自多个调查的超新星光变曲线的统一表示,这些调查是通过开放式超新星目录获得的,用于使用卷积神经网络进行监督分类。我们还研究了使用迁移学习对光度LSST天文时间序列分类挑战(PLASTiCC)数据集的光变曲线进行分类。使用卷积神经网络对来自多个调查的超新星光变曲线的高斯过程生成的表示进行分类,我们获得了0.859的AUC得分,用于分类为Ia型,Ibc型和II型。我们发现,迁移学习在对PLAstiCC光变曲线进行分类时,将代表性最低的类别的分类准确性提高了18%,并且在将光度红移分类为六个类别(Ia,Iax,Ia-91 bg,Ibc,II,SLSN-I)时,能够实现0.945的AUC得分。我们还研究了迁移学习在有限的标记训练集时的有用性,以了解这种方法如何在操作开始时用于未来调查中的分类器训练。
2022-08-02 astro-ph.IM astro-ph.SR
Photometric Classification of Early-Time Supernova Lightcurves with SCONE
在这项工作中,我们提出了分类结果的早期超新星光变曲线从SCONE,光度分类器,使用卷积神经网络分类超新星(SNe)的类型使用光变曲线数据。SCONE能够从任何阶段的光变曲线中识别SN类型,从最初警报的夜晚到它们的寿命结束。模拟的LSST SNe光变曲线在触发日期后0、5、15、25和50天被截断,并用于在波长和时间空间中训练高斯过程以产生波长-时间热图。SCONE使用这些热图在SN类型Ia、II、Ibc、Ia-91 bg、Iax和SLSN-I之间执行6向分类。SCONE是能够进行分类或没有红移,但我们表明,将红移信息提高了性能在每个时代。SCONE在触发日期达到75%的总体准确性(60%没有红移),在触发后50天达到89%的准确性(82%没有红移)。SCONE也在SNe的明亮子集(r<20 mag)上进行了测试,并在触发日期产生了91%的准确性(83%没有红移)和95%的触发后5天(94.7%没有红移)。SCONE是卷积神经网络在早期光度瞬态分类问题中的首次应用。为本文开发的所有数据处理和模型代码可以在位于github.com/helenqu/scone的SCONE软件包中找到。
2021-11-10 astro-ph.CO astro-ph.IM
Photometric Supernova Classification With Machine Learning
自动光度超新星分类已成为近年来的一个活跃的研究领域,鉴于目前和即将到来的成像调查,如暗能量调查(DES)和大型综合巡天望远镜,因为光谱确认所有超新星的类型是不可能的。在这里,我们开发了一个多方面的分类管道,结合现有的和新的方法。我们的流水线包括两个阶段:从光变曲线中提取描述性特征和使用机器学习算法进行分类。我们的特征提取方法不同,从依赖于模型的技术,即SALT 2拟合,更独立的技术拟合参数模型曲线,一个完全独立的模型小波方法。我们涵盖了一系列代表性的机器学习算法,包括朴素贝叶斯,k-最近邻,支持向量机,人工神经网络和提升决策树(BDT)。我们在超新星光度分类挑战赛的模拟多波段DES光变曲线上测试了管道。使用常用的受试者操作特征的曲线下面积(AUC)作为度量,我们发现SALT 2拟合和小波方法,以及BDT算法,各自实现了0.98的AUC,其中1表示完美的分类。我们发现,一个有代表性的训练集是必不可少的良好的分类,无论功能集或算法,与光谱后续的影响。重要的是,我们发现,通过使用SALT 2或小波特征集与BDT算法,准确的分类是可能的纯粹从光变曲线数据,而不需要任何红移信息。
2016-09-07 astro-ph.CO astro-ph.IM
Prospects of the multi-channel photometric survey telescope in the cosmological application of Type Ia supernovae
该研究通过模拟评估多通道光度巡天望远镜在低红移Ia型超新星测距中的应用,确定最优观测策略,可获取数百个高质量样本并提升距离测量精度,为宇宙学校准提供重要支持。
2024-04-18 astro-ph.CO astro-ph.IM
Kernel PCA for type Ia supernovae photometric classification
在这项工作中,我们提出使用核主成分分析(KPCA)结合k = 1最近邻算法(1NN)作为超新星(SNe)光度分类的框架。分类完全基于光谱确认样品内的信息,并且每次对每个新的光变曲线进行一个分类。这允许我们在新的光谱光变曲线可用的情况下更新主成分(PC)参数空间,同时还避免了为每个单独的新分类重新确定它的需要。我们将该方法应用于\textit{Supernova Photometric Classification Challenge}(SNPCC)数据集的不同实例。当信噪比$\geq$为5时,我们的方法在所有分析的数据样本中提供了良好的纯度结果。因此,我们可以声明,如果作为SNPCC后的样品今天可用,我们将能够对纯度$\gtrsim$ 90%(D $_{7}$ +SNR3)的初始数据集的$\approx 15%$进行分类。从原来的SNPCC样品的结果,报告为红移的函数,表明我们的方法提供了高纯度(高达$\approx 97%$),特别是在$0.2\leq z < 0.4$的范围内,当从SNPCC的结果相比,同时保持一个中等的品质因数($\approx 0.25$)。我们还提出了SNe光度分类的结果,仅使用前最大时期,获得63%的纯度和77%的成功分类率(SNR $\geq$ 5)。结果对每个光变曲线中包含的信息敏感,因此,更高质量的数据点导致更高的成功分类率。只要提供训练样本和测试…
2012-12-20 astro-ph.CO astro-ph.IM
Photometric classification and redshift estimation of LSST Supernovae
由于大型综合巡天望远镜(LSST)将观测到大量的超新星,而且不可能通过光谱跟踪所有的超新星,因此仅使用光度数据进行超新星分类和红移估计对LSST来说变得非常重要。我们研究的SN分类器,使用SN颜色分类LSST SNe与随机森林分类算法的性能。我们的分类器的AUC为0.98,这代表了出色的分类。通过选择概率阈值,我们能够获得含有99个$\%$ SNe Ia的光度SN样品。我们估计的光度红移(photo-z)的SNe在我们的样品中,通过拟合SN光变曲线使用SALT 2模型与嵌套采样。我们得到一个平均偏差($\left<z_\mathrm{phot}-z_\mathrm{spec}\right>$)为0.012与$σ\left( \frac{z_\mathrm{phot}-z_\mathrm{spec}}{1+z_\mathrm{spec}}\right) = 0.0294$没有使用主机星系的照片-z先验,和一个平均偏差($\left<z_\mathrm{phot}-z_\mathrm{spec}\right>$)为0.0017与$σ\left( \frac{z_\mathrm{phot}-z_\mathrm{spec}}{1+z_\mathrm{spec}}\right) = 0.0116$使用主机星系的照片-z先验。假设一个平坦的$ΛCDM$模型与$Ω_m=0.3$,我们得到$0.3…
2018-04-17 astro-ph.CO astro-ph.IM
Compact and Physically Interpretable Feature Models for Photometric Type Ia Supernova Classification
Ministry of Education, Abu Dhabi, UAE(阿布扎比教育部)
研究从多波段光变曲线提取紧凑物理特征,使用梯度提升决策树在SPCC数据集上实现F1分数0.844,证明可解释特征模型能有效分类Ia超新星。
2026-06-23 astro-ph.HE astro-ph.IM
The Impact of Host Galaxy Properties on Supernova Classification with Hierarchical Labels
Center for Astrophysics | Harvard & Smithsonian(天体物理中心 | 哈佛与史密森尼学会);Space Telescope Science Institute(太空望远镜科学研究所)
研究宿主星系信息对超新星分类的影响,发现结合红移时宿主星系特性对完整光变曲线分类提升不显著,但无红移时显著提高精度,并首次应用加权层级交叉熵目标函数。
2026-06-24 astro-ph.IM
Avocado: Photometric Classification of Astronomical Transients with Gaussian Process Augmentation
即将到来的天文调查,如大型综合巡天望远镜(LSST),将依靠光度分类来识别他们发现的大多数瞬变和变量。我们提出了一套光度分类技术,即使在光谱确认的对象的训练集严重偏向于明亮,低红移的对象时,也可以应用。使用高斯过程回归同时在所有波段中对任意光变曲线进行建模,我们通过生成覆盖一系列红移和观测条件的原始光变曲线的新版本来“增强”训练集。我们训练一个增强的决策树分类器从增强的光变曲线提取的功能,我们展示了如何设计这样的分类器,以产生独立的红移分布的对象在训练样本的分类。我们的分类算法是在光度LSST天文时间序列分类挑战(PLAstiCC)的盲态阶段考虑的1,094个模型中表现最好的,在组织者的天文损失度量上得分为0.468,训练集中所有对象类别的权重都是固定的,并且Ia型超新星分类的AUC为0.957。我们的研究结果表明,用于训练光度分类器的光谱运动应该专注于键入大量观察良好的中间红移瞬变,而不是试图键入直接代表完整数据集的瞬变样本。本文中描述的所有算法都在avocado软件包中实现。
2019-07-11 astro-ph.IM
Optimizing spectroscopic follow-up strategies for supernova photometric classification with active learning
我们报告了一个光谱后续设计优化超新星光度分类的框架。该策略考虑了光谱和光度样本之间不可避免的不匹配,甚至可以在新调查的开始时使用-无需任何初始训练集。该框架属于主动学习(AL)的范畴,这是一类算法,旨在通过识别一些精心选择的对象来最大限度地减少标签成本,这些对象在改善分类器预测方面具有很大的潜力。作为概念证明,我们使用超新星光度分类挑战赛(SNPCC)和随机森林分类器后发布的模拟数据。我们的结果表明,在SNPCC光谱样本中仅使用12%的训练对象,这种方法能够使纯度结果加倍。此外,为了考虑到在同一个晚上的多个光谱观测,我们提出了一个半监督的批处理模式AL算法,选择一组$N=5$最翔实的对象在每个晚上。与使用传统方法的初始状态相比,我们的方法仅在180天的观察或800次查询(SNPCC光谱样本量的73%)后就实现了2.3倍的纯度和可比的优值结果。使用观察原始SNPCC光谱样品所需的相同量的光谱时间获得这样的结果,表明这种类型的策略对于当前可用的光谱资源是可行的。本工作中使用的代码可以在COINtoolbox中找到:https://github.com/COINtoolbox/ActSNClass。
2019-01-03 astro-ph.CO astro-ph.IM
Photometric Calibration of the Supernova Legacy Survey Fields
我们提出了超新星遗产调查(SNLS)领域的光度校准。SNLS的目标是使用加拿大-法国-夏威夷望远镜(CFHT)上的1度^2成像仪MegaCam测量到(0.3<z<1)处的超新星Ia的距离。影响巡天光度定标的不确定度主导了巡天关键测量即暗能量状态方程的系统不确定度。SNLS的光度校准需要在整个成像仪上获得均匀的响应,校准每个测量波段(SDSS-like ugriz波段)中的科学领域的恒星,相对于相同波段中具有已知通量的标准,并将校准与UBVRI Landolt标准结合起来,该标准用于校准附近的SNe,这些标准来自产生宇宙学约束所必需的文献。成像仪光度响应的空间非均匀性映射使用抖动观测致密恒星场。对兰道标准的光度零点。对仪器的线性进行了研究。我们表明,成像器的过滤器和光度响应是不均匀的,并公布校正图。我们提出的仪器的有效通带的模型作为焦平面上的位置的函数。我们为MegaCam定义了一个自然星等系统。我们表明,影响星等流量关系的系统,可以减少,如果我们使用分光光度标准星BD +17 4708,而不是织女星作为一个基本的流量标准。我们出版了所有SNLS领域的Ugriz三级标准目录。
2009-08-26 astro-ph.CO astro-ph.IM
Machine Learning Closure Audits for LSST Photometric Supernova Cosmology
Center for AstroPhysical Surveys, National Center for Supercomputing Applications(国家超级计算应用中心天体物理调查中心);Department of Astronomy, University of Illinois at Urbana Champaign(伊利诺伊大学厄巴纳-香槟分校天文系)
研究针对超新星宇宙学分析中标准闭合测试的不足,引入机器学习闭合性审计,通过对大型综合巡天望远镜Ia型超新星模拟及真实暗能量调查样本进行测试,揭示残差可预测性,提供诊断协议以比较模拟与观测,识别残差非闭合性。
2026-07-09 astro-ph.CO astro-ph.IM
Testing the Generalization and Domain Stability of Compact Feature Representations for Photometric Supernova Classification
Ministry of Education, Abu Dhabi, UAE(阿布扎比教育部)
研究16维紧凑特征表示在Ia型超新星分类中的领域泛化性,发现该特征在单巡天内表现良好(F1=0.844),但跨巡天转移时性能显著下降,主要源于特征空间领域偏移。
2026-06-23 astro-ph.HE astro-ph.IM
Impact of Rubin Observatory cadence choices on supernovae photometric classification
本研究评估了LSST不同观测节奏对超新星光变分类性能的影响,发现滚动节奏显著提升分类准确率及Ia型超新星数量,而presto-color的每晚三次观测会降低分类效果。
2023-03-15 astro-ph.CO astro-ph.IM
Data-driven photometric redshift estimation from type Ia supernovae light curves
红移测量一直是现代天文学和宇宙学中的一个经常性的需要。随着新的测量提供了大量关于天文物体的数据,自动处理这些数据的必要性越来越大。在这篇文章中,我们使用来自暗能量调查的模拟数据,以及最初为分类超新星而创建的管道,我们开发了一种线性回归算法,该算法通过新型自动机器学习(AutoML)框架进行优化,与其他现代算法(如XGBOOST)相比,其错误分数优于普通数据预处理方法。在数值上,Ia型超新星事件的光度预测RMSE从0.16降低到0.09,所有超新星类型的RMSE从0.20降低到0.14。我们的流水线包括四个步骤:通过光谱数据点,我们使用高斯过程拟合算法插值的光变曲线,然后使用小波变换,我们提取这些曲线的最重要的特征;我们依次通过主成分分析降低这些特征的维数,最后我们应用了超级学习技术(堆叠集成方法)通过一个AutoML框架专门优化几个不同机器学习模型的参数,更好地解决问题。作为最后的检查,我们通过AutoML训练和优化的50多个模型的预测,使用高斯核密度估计获得了概率分布函数(PDF)。计算这些PDF以复制使用SALT 2模型(用于模拟原始数据本身的模型)的原始曲线。
2023-03-21 astro-ph.CO astro-ph.IM
Spectral and Photometric Monitoring of Distant Core-Collapse Supernovae in the SAO RAS
本文介绍了研究红移z <0.3的远距离核心坍缩超新星(SNe)的观测计划的目的、目标和初步结果。这项工作是在俄罗斯科学院特殊天体物理观测台6米BTA望远镜和其他望远镜监测超新星的国际合作方案框架内进行的。我们研究的早期阶段的事件(SN类型的确定,红移估计,并寻找风包络的表现),和星云阶段(爆炸不对称的影响)。与宇宙伽马射线暴有关的SNe特别令人感兴趣。我们的观测数据的解释与其他望远镜上获得的数据一起被用来测试SN爆炸和周围的星周介质的现有理论模型。2009年,我们观测了30个天体;获得了其中12个天体的光谱。我们确定了5个SNe(SN 2009db,SN 2009dy,SN 2009dw,SN 2009ew,SN 2009ji)的类型、极大值后的相位和红移。根据获得的测光数据,又发现了另外两颗超新星(SN 2009bx和SN 2009cb)。对星云阶段的两颗II型超新星(SN 2008gz和SN 2008in)的研究已经完成,目前还有四颗天体(SN 2008iy、SN 2009ay、SN 2009bw、SN 2009de)受到监测。
2010-08-04 astro-ph.CO astro-ph.IM
deepSIP: Linking Type Ia Supernova Spectra to Photometric Quantities with Deep Learning
我们提出了{ \tt deepSIP}(超新星Ia参数的深度学习),这是一个用于测量相位的软件包-首次使用深度学习-从光谱测量Ia型超新星(SN~Ia)的光变曲线形状。在其核心,{ \tt deepSIP}由三个卷积神经网络组成,这些神经网络在所有公开的低红移SN~Ia光谱的相当大一部分上进行训练,我们已经仔细地将光度学导出量耦合到这些光谱上。我们描述了我们的光谱和光度数据集的积累,为确保质量而采取的削减措施,以及我们用于拟合光变曲线的标准化技术。这些考虑产生了2754个光谱与光度特征的相位和光变曲线形状的汇编。虽然这样的样本在SN社区中很重要,但根据深度学习标准,它很小,因为网络通常有数百万甚至数十亿个自由参数。因此,我们引入了一种数据增强策略,该策略有意义地增加了我们分配用于训练的子集的大小,同时优先考虑模型鲁棒性和望远镜不可知性。我们通过将模型部署在训练和超参数选择过程中看不到的样本上来证明我们的模型的有效性,发现模型I识别具有$-10$和18\,d之间的相位和光曲线形状的光谱,由$Δm_{15}$参数化,在0.85和1.55\,mag之间,准确度为94.6\%。对于在相位- $Δm_{15}$空间中确实落在上述区域内的那些光谱,模型II预测相位的均方根误差(RMSE)为1.00 μ m,模型III预测$Δm_{15}$值的RMSE为0.068 μ m。
2020-06-11 astro-ph.HE astro-ph.IM astro-ph.SR
Atmospheric extinction properties above Mauna Kea from the Nearby Supernova Factory spectro-photometric data set
我们提出了一个新的大气消光曲线的莫纳克亚跨越3200- 9700毫米。这是迄今为止最全面的,是基于约4285标准恒星光谱获得的478个夜晚,分布在7年的时间内获得的附近超新星工厂使用超新星积分场摄谱仪。这条平均曲线及其色散可用于校准莫纳克亚山的光谱或成像数据,以及估计与使用平均消光曲线相关的校准不确定性。我们的方法分解的消光曲线的物理成分,并能够确定的彩色部分的消光,即使在多云的夜晚,描述和验证了广泛的条件下采样我们的大型数据集。我们表现出良好的协议与大气科学数据获得附近的莫纳罗亚天文台,并与以前公布的测量上述莫纳克亚山灭绝。
2012-10-09 astro-ph.CO astro-ph.IM
Photometric redshift-aided classification using ensemble learning
我们提出了SHEEP,一种新的机器学习方法来解决天文源分类的经典问题,它结合了XGBoost,LightGBM和CatBoost学习算法的输出来创建更强大的分类器。在我们的管道中,一个新的步骤是在执行分类之前,SHEEP首先估计光度红移,然后将其作为分类模型训练的附加特征放入数据集中;这导致后续分类性能的显着改善。SHEEP包含两种不同的分类方法:(i)多类和(ii)由元学习者进行纠正的一对所有。我们使用由350万个天文源的SDSS和WISE测光组成的数据集,展示了SHEEP在恒星、星系和类星体分类方面的性能。F1分数如下:星系为0.992;类星体为0.967;恒星为0.985。就三个类别的F1分数而言,SHEEP使用基本相同的数据集优于最近基于RandomForest的分类方法。我们的方法还通过特征重要性促进了模型和数据集的可解释性;它还允许选择其不确定分类可能使其成为后续观察的有趣来源的来源。
2022-05-19 astro-ph.IM
Using Host Galaxy Photometric Redshifts to Improve Cosmological Constraints with Type Ia Supernova in the LSST Era
我们对模拟的Ia型超新星(SN~Ia)进行了严格的宇宙学分析,并评估了与仅使用具有来自主机或SN的光谱红移的“zspec”子集相比,包括测光主机星系红移的改进。我们使用来自光度LSST天文时间序列分类挑战赛(PLaSTiCC)的深钻场(~50 deg^2),结合基于数据集2(DC 2)的低z样本。分析包括光变曲线拟合标准化SN亮度,高统计模拟,以获得偏差校正的哈勃图,统计+系统学协方差矩阵,包括校准和photo-z的不确定性,和宇宙学拟合与先验的宇宙微波背景。与使用zspec子集相比,包括SN+主机照片-z的事件导致i)z>0.5的更精确的距离,ii)在红移中进一步扩展0.3的哈勃图,以及iii)基于w 0-wa CDM模型的暗能量任务组品质因数(FoM)增加50%。分析25个模拟数据样本,w 0和wa的平均偏差一致为零。0.01的宿主光-z系统仅将FoM降低2%,因为i)大多数z<0.5的事件在zspec子集中,ii)组合的SN+宿主光-z具有X2更小的偏差,以及iii)拟合的红移和颜色之间的反相关自校正距离误差。为了准备分析真实的数据,下一个SNIa宇宙学分析与photo-z的应该包括非SN-Ia污染和宿主星系的错误关联。
2022-10-17 astro-ph.CO astro-ph.IM
An FPCA-enhanced Ensemble Learning Framework for Photometric Identification of Type Ia Supernovae
Texas A&M University(德克萨斯农工大学);Carnegie Mellon University(卡内基梅隆大学)
该研究首次将FPCA光变曲线参数作为统计摘要,结合SBI方法,在非平坦ΛCDM模型下实现了鲁棒的Ia型超新星宇宙学推断,其约束精度与SALT2方法相当且对域外模拟更鲁棒,还可推广至真实巡天数据。
2026-09-23 astro-ph.HE astro-ph.IM
Physical Properties of Type II Supernovae Inferred from ZTF and ATLAS Photometric Data
本研究结合ZTF和ATLAS数据分析了186颗II型超新星光变曲线,利用流体动力学模型推断其物理参数,发现低质量前身星和致密星周物质特征,并证实该光变曲线红移推断法在LSST时代更具准确性。
2024-06-03 astro-ph.HE astro-ph.IM
Photometric Classification of 2315 Pan-STARRS1 Supernovae with Superphot
超新星(SNe)的分类及其对我们理解爆炸物理和祖先的影响传统上是基于某些光谱特征的存在或不存在。然而,目前和即将到来的广域时域调查已经增加了瞬态发现率,远远超出了我们获得每个新事件的单个频谱的能力。因此,我们必须在很大程度上依赖于光度分类,将SN光变曲线连接回光谱定义的类别。在这里,我们介绍Superphot,一个Villar等人的机器学习分类算法的开源Python实现,并将其应用于2315个以前未分类的瞬态从泛星1中深调查,我们获得了光谱主星系红移。我们的分类器实现了82%的总体准确度,最佳类别(SNe Ia和超发光SNe)的完整性和纯度>80%。对于表现最差的SN类(SNe Ibc),完整性和纯度分别下降到37%和21%。我们的分类器提供了1257个新分类的SNe Ia,521个SNe II,298个SNe Ibc,181个SNe IIn和58个SLSNe。这些都是最大的均匀观察到的样本SNe在文献中,并将使广泛的统计研究的每一类。
2020-12-16 astro-ph.HE astro-ph.IM
A simple and robust method for automated photometric classification of supernovae using neural networks
本文提出了一种超新星(SNe)的自动光度分类方法,它可以将超新星分为Ia型和非Ia型。采用两步法:(1)分别拟合各观测滤波器的SN光变曲线通量测量值;以及(ii)拟合的函数参数及其相关的不确定性,以及通量测量的数量、拟合的最大似然值和模型的贝叶斯证据,被用作分类神经网络(NN)的输入特征向量,所述分类神经网络(NN)输出所考虑的SN是Ia型的概率。该方法使用超新星光度分类挑战赛(SNPCC)后发布的数据进行训练和测试。我们考虑将数据随机划分为训练集和测试集:例如,对于我们的样本D_1(D_4),总共有10%(40%)的数据用于训练算法,其余的用于盲测试分类器;我们不进行选择切割。在NN输出上使用p_th=0.5的典型阈值概率将SN分类为Ia型,对于样本D_1(D_4),我们获得了0.78(0.82)的完整性,0.77(0.82)的纯度和0.41(0.50)的SNPCC品质因数。包括SN主机星系红移和它的不确定性作为额外的输入到NN的结果在一个温和的5-10%的增加,这些值。我们发现分类质量并不随SN红移而显著变化。此外,我们的概率分类方法允许计算预期的完整性,纯度或其他措施的分类质量作为一个函数的p_th,而不知道测试样本中的SNe的真实类。因此,该方法可以通过优化p_th来进一步改进,并且可以容易地扩展以将非Ia SNe分成它们的不同类别。
2012-11-15 astro-ph.CO astro-ph.IM
How in situ atmospheric transmission can affect cosmological constraints from type Ia supernovae ?
本文研究原位大气透射测量对Ia型超新星宇宙学约束的影响,提出利用Rubin Observatory辅助望远镜校正原始星等以降低测光系统误差,从而实现亚百分级精度。
2022-03-25 astro-ph.CO astro-ph.IM
Photometric classification of supernovae detected by the Zwicky Transient Facility using noise augmentation
Humboldt-Universität zu Berlin(柏林洪堡大学);Deutsches Elektronen-Synchrotron(德国电子同步辐射加速器中心);Leibniz-Institut für Astrophysik Potsdam (AIP)(波茨坦阿基米德天体物理研究所);European Southern Observatory(欧洲南方天文台);University of Washington(华盛顿大学);Trinity College Dublin, The University of Dublin(都柏林三一学院);California Institute of Technology(加州理工学院);National Central University(中央大学);Lancaster University(兰卡斯特大学);Institute of Space Sciences (ICE, CSIC)(空间科学研究所);Institut d’Estudis Espacials de Catalunya (IEEC)(加泰罗尼亚空间研究院)
本文提出了一种基于特征的光度分类器,利用噪声增强技术提高ZTF检测超新星的分类性能,特别是在较暗源上的表现,构建了大规模光度SN Ia样本用于宇宙学研究。
2026-02-13 astro-ph.CO astro-ph.IM
Binning is Sinning (Supernova Version): The Impact of Self-Calibration in Cosmological Analyses with Type Ia Supernovae
最近的宇宙学分析(例如,JLA,Pantheon)将系统不确定性传播到协方差矩阵中,并在红移空间中对系统向量进行了分组或平滑处理。我们证明,这些分析的系统误差预算可以提高一个因素的$\sim1.5\times$与使用未合并和未平滑的协方差矩阵。为了理解这一点,我们采用了一种单独的方法,同时适合宇宙学参数和额外的自校准尺度参数,约束每个系统的大小。我们发现,协方差矩阵的方法和尺度参数的方法产生等效的结果,这意味着在这两种情况下的数据可以自我校准某些系统的不确定性,但这种能力受到阻碍时,在红移空间的信息是分箱或平滑。我们回顾了当前分析中的顶级系统不确定性,发现在未分组的情况下,系统不确定性的减少取决于系统是否与不同的宇宙学模型一致,以及系统是否可以通过SN属性和光度之间的额外相关性来描述。此外,我们表明,自校准的能力随着数据集的大小而增加,这为即将到来的光度分类样本分析提供了巨大的机会,如传统空间和时间调查(LSST)和Nancy Grace Roman望远镜(NGSTO)。然而,利用自校准在大型,光度分类的样品,我们必须首先解决的问题,分箱是需要在目前使用的光度方法。
2020-12-10 astro-ph.CO astro-ph.IM
Improved Photometric Calibration of the SNLS and the SDSS Supernova Surveys
我们提出了一个综合的光度校准的SNLS和SDSS超新星调查,这是从SDSS和SNLS合作的共同努力的结果。我们提供的通量校准到HST分光光度恒星网络的大型第三恒星,涵盖了所有光度波段的两个调查的科学领域。我们还交叉校准直接两个调查,并证明其一致性。对于每一个调查的平场修正的基础上分析抖动的恒星观测。在科学领域,从HST分光光度标准星到多历元三级标准星表的定标转换遵循三种不同的途径:SDSS PT望远镜对初级标准星的观测; CFHT的SNLS MegaCam仪器对Landolt二级标准星的观测;以及MegaCam直接对微弱HST标准星的观测。此外,这两次巡天的第三颗恒星都是使用专门的MegaCam对条纹82的观测进行交叉校准的。这种重叠使得能够比较这三个校准路径,并证明使用它们的组合来提高校准精度是合理的。平场校正改善了每次测量的均匀性,这一点通过重叠视场的测光比较得到了证明:两次测量之间的差异均方根在gri为3 mmag,z为4 mmag,u为8 mmag。我们还发现一个显着的协议(优于1%)之间的SDSS和SNLS校准在灰熊。交叉校准和直接校准观测的引入带来了冗余,并增强了最终校准的可信度。我们的结论是,调查校准到HST的精度约为0.4%,在格里兹。这个精度与影响HST主标准星颜色的外部不确定性相当。
2012-12-19 astro-ph.CO astro-ph.IM
The Young Supernova Experiment Data Release 1 (YSE DR1): Light Curves and Photometric Classification of 1975 Supernovae
YSE DR1发布1975颗超新星的多色光变曲线和分类数据,结合模拟训练ParSNIP分类器,对光谱样本达82%-90%准确率,为宇宙学和后续巡天提供重要资源。
2023-02-21 astro-ph.HE astro-ph.IM astro-ph.SR
Forecasting Supernova Observations with the CSST: I. Photometric Samples
本研究基于CSST初步巡天计划,用Sncosmo模拟超新星光度观测,预测10年将探测约500万颗超新星,得到高精度分类的金样本,还能提前触发预警并捕捉激波冷却事件,为超新星研究提供重要数据支撑。
2024-07-18 astro-ph.HE astro-ph.IM
Single-epoch supernova classification with deep convolutional neural networks
NTT Communication Science Laboratories(NTT通信科学实验室);Kavli IPMU, the University of Tokyo(东京大学卡弗里数物连携宇宙研究机构);National Astronomical Observatory of Japan(日本国立天文台)
Ia型超新星(SNeIa)在探索宇宙膨胀的历史中发挥着重要作用,因为它们是最着名的标准烛光,我们可以准确地测量到物体的距离。寻找大样本的SNeIa并研究其详细特征已成为宇宙学和天文学的重要问题。现有的方法依赖于光度测量方法,该方法首先精确测量超新星候选者的亮度,然后将结果拟合到亮度随时间变化的参数函数。然而,它不可避免地需要多历元观测和复杂的亮度测量。在这项工作中,我们提出了一种新的方法,简单地从单历元观测图像分类SNeIa没有任何复杂的测量,有效地集成了最先进的计算机视觉方法到标准的光度方法。我们的方法首先建立一个卷积神经网络估计超新星的亮度从望远镜图像,然后构建另一个神经网络的分类,其中估计的亮度和观测日期被用作分类的特征。这两个神经网络都集成到一个深度神经网络中,直接从观察图像中对SNeIa进行分类。实验结果表明,所提出的方法的有效性和揭示的分类性能与现有的光度方法与多历元观测。
2017-11-30 astro-ph.IM cs.CV
Photo-zSNthesis: Converting Type Ia Supernova Lightcurves to Redshift Estimates via Deep Learning
University of Pennsylvania(宾夕法尼亚大学)
提出基于卷积神经网络的 Photo-zSNthesis 方法,利用多波段超新星光变曲线预测红移概率分布,在模拟与真实数据上均显著优于现有方法,提升了测光超新星样本的宇宙学约束能力。
2023-09-07 astro-ph.CO astro-ph.IM cs.LG
The Dark Energy Survey 5-year photometrically identified Type Ia Supernovae
在暗能量巡天(DES)中,作为使用Ia型超新星(SN Ia)进行宇宙学分析的一部分,我们使用多波段光变曲线和宿主星系红移来呈现光度学识别的SN Ia样本。为了进行这种分析,我们使用了光度分类框架SuperNNova(SNN; Möller et al. 2019),该框架在逼真的DES模拟上进行了训练。为了可靠的分类,我们处理DES SN程序(DES-SN)数据,并对分类器架构进行改进,在模拟中获得了98%以上的分类精度。这是第一个使用集成方法的SN分类,从而产生更强大的样本。利用测光、主星系红移和分类概率要求,我们识别出1,863个Ia型超新星,并从中选出1,484个宇宙学级的Ia型超新星,其红移范围为0.07 < z < 1.14。我们发现光度选择的样品和模拟的光变曲线特性之间有很好的一致性。此外,我们使用两种类型的贝叶斯神经网络分类器,提供分类概率的不确定性,创建类似的SN Ia样本。我们测试的可行性,使用这些不确定性作为指标的分布的候选人和模型的信心。最后,我们讨论了光度样本和分类方法的影响,为未来的调查,如维拉C。Rubin Observatory Legacy Survey of Space and Time(鲁宾天文台时空遗产巡天)
2022-07-19 astro-ph.CO astro-ph.IM
Photometric light curves classification with machine learning
ABBYY Production(ABBYY生产公司);Monash University(莫纳什大学)
大型综合巡天望远镜将于2022年完成巡天,每晚产生TB级的成像数据。为了处理这些海量数据,对天文光变曲线进行分类的自动算法至关重要。在这里,我们提出了一种自动分类的光度光变曲线的天文对象的范围。我们的方法是基于决策树的梯度提升,特征提取和选择,以及增强。该解决方案是在光度LSST天文时间序列分类挑战赛(PLASTiCC)的背景下开发的,并在挑战赛中取得了最佳成绩之一。
2019-09-10 astro-ph.CO astro-ph.IM cs.LG
BayeSN $\times$ Dovekie: Joint Photometric Cross-calibration and SED Modelling of Type Ia Supernovae
Institute of Astronomy and Kavli Institute for Cosmology, University of Cambridge(剑桥大学天体物理研究所与卡弗里宇宙学研究所);School of Physics and Astronomy, University of Southampton(南安普顿大学物理与天文学院)
提出BayeSN分层贝叶斯SED模型新框架,首次在训练中参数化滤光片波长和零点偏移,利用超新星约束交叉校准,训练G26模型使样本量提升一个数量级,在DES-SN5YR样本上散射降低12%。
2026-06-19 astro-ph.CO astro-ph.IM
A Non-parametric Statistical Approach on the Classification of Photometric Time Series Data
由于与arXiv:1102.5004的文本重叠,以及遗漏了对arXiv:1110.4655和arXiv:1111.0313的适当引用,作者撤回了这篇论文
2011-12-09 astro-ph.CO astro-ph.HE astro-ph.IM
A Novel Optimal Transport-Based Approach for Interpolating Spectral Time Series: Paving the Way for Photometric Classification of Supernovae
本文提出基于最优输运的光谱时间序列插值方法,利用带不确定度惩罚的加权平均由稀疏光谱生成高采样合成光变曲线,并在多波段验证其可用于超新星测光分类。
2024-09-25 astro-ph.HE astro-ph.IM
DASH: Deep Learning for the Automated Spectral Classification of Supernovae and their Hosts
我们提出了DASH(深自动超新星和主机分类器),一种新的软件包,自动分类的类型,年龄,红移,和宿主星系的超新星光谱。DASH使用了一种新的方法,不像以前的所有软件那样依赖于迭代模板匹配技术,而是根据每个超新星的类型和年龄的学习特征进行分类。它通过采用深度卷积神经网络来训练匹配算法来实现这一点。这种方法使DASH比以前的工具快了几个数量级,能够在几秒钟内准确地对数百或数千个对象进行分类。我们已经测试了其性能的四年的数据从澳大利亚暗能量调查(OzDES)。深度学习模型是使用TensorFlow开发的,并使用来自CfA超新星计划和伯克利SN Ia计划的4000多个超新星光谱进行训练,如SNID(超新星识别软件,Blondin & Tennis 2007)中所用。与模板匹配方法不同,训练模型与训练数据中的光谱数量无关,这使得DASH具有前所未有的速度。我们已经开发了一个图形界面,用于超新星的简单视觉分类和分析,以及一个Python库,用于几个超新星光谱的自主和快速分类。DASH的速度、准确性、用户友好性和多功能性是对现有光谱分类工具的进步。我们已经在GitHub和PyPI(pip install astrodash)上公开了代码,以允许进一步的贡献和开发。该软件包文档可在https://astrodash.readthedocs.io上获得。
2019-10-07 astro-ph.CO astro-ph.IM
Deep Recurrent Neural Networks for Supernovae Classification
University of Nottingham(诺丁汉大学)
我们应用能够学习复杂序列信息的深度循环神经网络对超新星\footnote{Code available at \href{https://github.com/adammoss/supernovae}{https://github.com/adammoss/supernovae}}进行分类。观测时间和过滤通量被用作网络的输入,但由于输入是不可知的,因此也可以包括其他数据,如宿主星系信息。使用超新星光度分类挑战(SPCC)数据,我们发现深度网络能够学习光变曲线,但是网络的性能对训练数据量高度敏感。对于50%的代表性SPCC数据集(围绕$10^4$超新星)的训练大小,我们获得了94.7%的Ia型与非Ia型分类准确度,0.986的受试者操作特征曲线AUC下的面积和SPCC品质因数$F_1=0.64$。当仅使用由SPCC定义的早期挑战的数据时,我们实现了93.1\%的分类准确度,0.977的AUC和$F_1=0.58$,结果几乎与整个光变曲线一样好。采用双向神经网络对超新星I、II、III型进行分类,分类精度为90.4%,AUC为0.974。我们还应用了一个预先训练的模型来获得分类概率作为时间的函数,并表明它可以给出超新星类型的早期指示。我们的方法是有竞争力的,与现有的算法,并为未来的大规模测光调查的应用。
2017-05-05 astro-ph.CO astro-ph.IM cs.LG