A method is presented for automated photometric classification of supernovae (SNe) as Type-Ia or non-Ia. A two-step approach is adopted in which: (i) the SN lightcurve flux measurements in each observing filter are fitted separately; and (ii) the fitted function parameters and their associated uncertainties, along with the number of flux measurements, the maximum-likelihood value of the fit and Bayesian evidence for the model, are used as the input feature vector to a classification neural network (NN) that outputs the probability that the SN under consideration is of Type-Ia. The method is trained and tested using data released following the SuperNova Photometric Classification Challenge (SNPCC). We consider several random divisions of the data into training and testing sets: for instance, for our sample D_1 (D_4), a total of 10% (40%) of the data are involved in training the algorithm and the remainder used for blind testing of the resulting classifier; we make no selection cuts. Assigning a canonical threshold probability of p_th=0.5 on the NN output to classify a SN as Type-Ia, for the sample D_1 (D_4) we obtain a completeness of 0.78 (0.82), purity of 0.77 (0.82), and SNPCC figure-of-merit of 0.41 (0.50). Including the SN host-galaxy redshift and its uncertainty as additional inputs to the NN results in a modest 5-10% increase in these values. We find that the classification quality does not vary significantly with SN redshift. Moreover, our probabilistic classification method allows one to calculate the expected completeness, purity or other measures of classification quality as a function of the p_th, without knowing the true classes of the SNe in the testing sample. The method may thus be improved further by optimising p_th and can easily be extended to divide non-Ia SNe into their different classes.
Photometric redshifts for supernovae Ia in the Supernova Legacy Survey
本文介绍了一种利用SALT 2光变曲线拟合器，根据超新星遗产巡天（SNLS）中Ia型超新星在g '，r'，i'和z'的光度测定，确定其红移的方法。在SNLS前三年的289颗超新星数据上，我们得到了平均精度为1.0的$σ_{Δz/(1+z)} = 0.022$，其中z为0.45时的精度更高，为0.016<0.45 and a lower one of 0.025 for z>。$|Δz|/(1+z)>0.15$（灾难性错误）的事件发生率为1.4%。无论是精度还是灾难性的错误率都比目前使用宿主星系光度红移所能获得的要好。这种精度的光度红移可能对未来的实验有用，这些实验的目标是发现多达数百万颗Ia超新星，但其中大多数没有光谱学。
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）
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）
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）
Photometric properties of intermediate redshift Type Ia Supernovae observed by SDSS-II Supernova Survey
分析了Sloan数字巡天II超新星巡天（SDSS II SN Survey）观测到的328颗中等红移（0.05 ≤ z < 0.24）Ia型超新星（SNe Ia）的多波段光变曲线。采用多波段拉伸方法对多波段光变曲线进行参数化，该方法可以简单地参数化光变曲线的形状和峰值亮度，而不需要尘埃消光模型。我们发现，大多数出现在红色宿主星系（u-r> 2.5）中的超新星Ia没有宽的光变曲线宽度，而出现在蓝色宿主星系（u-r < 2.0）中的超新星Ia则有不同的光变曲线宽度。Kolmogorov-Smirnov检验表明，在红/蓝宿主星系中出现的Ia超新星的颜色分布是不同的（显著性水平为99.9%）。我们还研究了宿主星系尘埃的消光规律。结果表明，由中等光变曲线宽度的Ia超新星所得到的Rv值与标准银河值是一致的。另一方面，在红色宿主星系中出现的SNe Ia的Rv值变得显着较小。这些结果表明，可能存在两种类型的Ia超新星，它们具有不同的固有颜色，并且它们被具有两种不同性质的宿主星系尘埃所掩盖。
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。
Modeling the probability distribution for cosmological analysis with photometrically classified samples
Observatório do Valongo, Universidade Federal do Rio de Janeiro（瓦隆戈天文台，里约热内卢联邦大学）；Instituto de Física, Universidade Federal do Rio de Janeiro（物理研究所，里约热内卢联邦大学）
CIGaRS I: Combined simulation-based inference from type Ia supernovae and host photometry
Theoretical and Scientific Data Science, International School for Advanced Studies (SISSA), Trieste, Italy（1 理论与科学数据科学，国际先进研究学院（SISSA），意大利特里este）；Institute of Cosmos Sciences (ICC), University of Barcelona, Barcelona, Spain（2 大学巴塞罗那宇宙科学研究所（ICC），西班牙巴塞罗那）；Department of Physics, Imperial College London, London, UK（3 物理系，伦敦帝国理工学院，英国伦敦）；Institute for Fundamental Physics of the Universe (IFPU), Trieste, Italy（4 宇宙基本物理研究所（IFPU），意大利特里este）；Italian Research Center on High-Performance Computing, Big Data and Quantum Computing (ICSC), Casalecchio di Reno, Italy（5 意大利高性能计算、大数据和量子计算研究中心（ICSC），意大利Casalecchio di Reno）；Catalan Institution for Research and Advanced Studies (ICREA), Barcelona, Spain（6 哥伦布研究与高级研究机构（ICREA），西班牙巴塞罗那）
Measuring the Properties of Dark Energy with Photometrically Classified Pan-STARRS Supernovae. I. Systematic Uncertainty from Core-Collapse Supernova Contamination
Synergies between Vera C. Rubin Observatory, Nancy Grace Roman Space Telescope, and Euclid Mission: Constraining Dark Energy with Type Ia Supernovae
我们回顾了超新星社区的需求，以改善调查协调和数据共享，这将显着提高暗能量的限制，使用样本的Ia型超新星从维拉C。鲁宾天文台、\textit{Nancy Grace Roman Space Telescope}和\textit{Euclid}任务。我们讨论的统计和系统的精度，从这些实验的观察相结合，将使改进。例如，协调将导致改进的光度校准，红移测量，以及超新星距离。我们还讨论了现在应该建立什么样的团队和计划来开始为这些组合数据集做准备。具体而言，我们要求在实地选择和调查操作、光度校准、光谱跟踪、像素级处理和计算方面进行协调努力。这些努力将不仅有利于Ia型超新星的实验，而且有利于所有时域研究，以及具有多信使天体物理学的宇宙学。
Bayesian Component Separation for DESI LAE Automated Spectroscopic Redshifts and Photometric Targeting
Harvard University（哈佛大学）；Princeton University（普林斯顿大学）；NSF NOIRLab（美国国家光学红外天文研究实验室）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；Rutgers, the State University of New Jersey（新泽西州立罗格斯大学）；Purdue University（普渡大学）；Boston University（波士顿大学）；Università degli Studi di Milano（米兰大学）；INAF-Osservatorio Astronomico di Brera（意大利国家天体物理研究所布雷拉天文台）
Normal or transitional? The evolution and properties of two type Ia supernovae in the Virgo cluster
University of Copenhagen（哥本哈根大学）；INAF, Osservatorio Astronomico di Capodimonte（意大利国家天体物理研究所，卡波迪蒙特天文台）；University of Queensland（昆士兰大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Institute for Astronomy, University of Hawaii（夏威夷大学天体物理研究所）；Kavli Institute for Theoretical Physics, University of California, Santa Barbara（加州大学圣塔芭芭拉分校，卡弗里理论物理研究所）；Las Cumbres Observatory（拉斯坎伯斯天文台）；David A. Dunlap Department of Astronomy and Astrophysics, University of Toronto（多伦多大学，大卫A·邓普林天文学与天体物理学系）
