Automated Transient Identification in the Dark Energy Survey
D. A. Goldstein, C. B. D'Andrea, J. A. Fischer, R. J. Foley, R. R. Gupta, R. Kessler, A. G. Kim, R. C. Nichol, P. Nugent, A. Papadopoulos, M. Sako, M. Smith, M.… 展开作者
D. A. Goldstein, C. B. D'Andrea, J. A. Fischer, R. J. Foley, R. R. Gupta, R. Kessler, A. G. Kim, R. C. Nichol, P. Nugent, A. Papadopoulos, M. Sako, M. Smith, M. Sullivan, R. C. Thomas, W. Wester, R. C. Wolf, F. B. Abdalla, M. Banerji, A. Benoit-Lévy, E. Bertin, D. Brooks, A. Carnero Rosell, F. J. Castander, L. N. da Costa, R. Covarrubias, D. L. DePoy, S. Desai, H. T. Diehl, P. Doel, T. F. Eifler, A. Fausti Neto, D. A. Finley, B. Flaugher, P. Fosalba, J. Frieman, D. Gerdes, D. Gruen, R. A. Gruendl, D. James, K. Kuehn, N. Kuropatkin, O. Lahav, T. S. Li, M. A. G. Maia, M. Makler, M. March, J. L. Marshall, P. Martini, K. W. Merritt, R. Miquel, B. Nord, R. Ogando, A. A. Plazas, A. K. Romer, A. Roodman, E. Sanchez, V. Scarpine, M. Schubnell, I. Sevilla-Noarbe, R. C. Smith, M. Soares-Santos, F. Sobreira, E. Suchyta, M. E. C. Swanson, G. Tarle, J. Thaler, A. R. Walker
备注：
24 pages, 9 figures, 4 tables v3: added link to training data / implementation
We describe an algorithm for identifying point-source transients and moving objects on reference-subtracted optical images containing artifacts of processing and instrumentation. The algorithm makes use of the supervised machine learning technique known as Random Forest. We present results from its use in the Dark Energy Survey Supernova program (DES-SN), where it was trained using a sample of 898,963 signal and background events generated by the transient detection pipeline. After reprocessing the data collected during the first DES-SN observing season (Sep. 2013 through Feb. 2014) using the algorithm, the number of transient candidates eligible for human scanning decreased by a factor of 13.4, while only 1 percent of the artificial Type Ia supernovae (SNe) injected into search images to monitor survey efficiency were lost, most of which were very faint events. Here we characterize the algorithm's performance in detail, and we discuss how it can inform pipeline design decisions for future time-domain imaging surveys, such as the Large Synoptic Survey Telescope and the Zwicky Transient Facility. An implementation of the algorithm and the training data used in this paper are available at http://portal.nersc.gov/project/dessn/autoscan.
$\texttt{BTSbot}$: A Multi-input Convolutional Neural Network to Automate and Expedite Bright Transient Identification for the Zwicky Transient Facility
The Zwicky Transient Facility Bright Transient Survey. III. $\texttt{BTSbot}$: Automated Identification and Follow-up of Bright Transients with Deep Learning
A Fully Automated Integral Field Spectrograph Pipeline for the SEDMachine: pysedm
目前的时间域设施每周都会发现数百个新的银河系和银河系外瞬变。对数量不断增加的瞬变进行分类是一项挑战，但对于进一步了解它们的性质，发现新的类别或确保样品纯度至关重要，例如超新星Ia宇宙学。兹威基临时设施就是这种调查的一个例子。此外，它还有一个专用的极低分辨率摄谱仪，SEDMachine，在Palomar 60英寸望远镜上运行。这个光谱仪的主要目的是物体分类。在实践中，大多数，如果不是全部，感兴趣的瞬变亮于~19 mag的类型。这相当于一晚上大约有10到15个目标。在本文中，我们提出了一个全自动流水线的SEDMachine。这条管道的设计是快速、坚固、稳定和非常灵活的。pysedm能够在曝光结束后不到5分钟内实现目标点源物体的全自动光谱提取。光谱颜色校准在百分之几的水平上是准确的。自2018年8月初pysedm投入生产以来的19周内，我们已经对大约400颗Ia型超新星和140颗II型超新星进行了分类。我们的结论是，低分辨率，全自动摄谱仪，如安装在南半球2米级望远镜上的“SEDMachine with pysedm”，可以让我们自动和同时输入并获得LSST在z<0.2范围内检测到的大多数（如果不是全部的话）明亮瞬变的红移，特别是潜在的所有Ia型超新星。与当前的SEDM设计相比，这将需要更高的光谱分辨率（R~1000）和略微改进的吞吐量。考虑到这一点，pysedm被设计成可以轻松地适应任何…
我们介绍了4 Pi Sky 'hub'，这是一个开放式数据服务和底层软件包的集合，用于快速，全自动报告和响应天文瞬时警报。这些包建立在成熟的“VOEvent”标准化消息格式之上，旨在提供一个分散和开放的基础设施来处理瞬时警报。特别是我们提请注意voeventdb的初始版本，这是一个存档和远程查询服务，允许天文学家对瞬时警报进行历史查询。通过使用空间过滤器和引文网络查找，voeventdb能够交叉匹配瞬时警报，将多个来源的数据汇集在一起，并在规划新的后续活动时提供参考点。我们还强调了最近从ASASSN和GAIA项目添加到我们的VOEvent分发流的光学瞬态馈送。实现这些服务的源代码和部署脚本都是免费提供的，并得到许可，目的是其他团队可以使用它们来实现本地或特定于项目的VOEvent存档。在描述这些软件包的过程中，我们提供了一个基本的入门知识，包括对VOEvent标准的简要介绍。
The automation of optical transient discovery and classification in Rubin-era time-domain astronomy
Northwestern University（西北大学）；Center for Interdisciplinary Exploration and Research in Astrophysics (CIERA)（天体物理学跨学科探索与研究中心）；University of Minnesota（明尼苏达大学）；California Institute of Technology（加州理工学院）
Automated identification of transiting exoplanet candidates in NASA Transiting Exoplanets Survey Satellite (TESS) data with machine learning methods
Catholic University of America（美国天主教大学）；Tel Aviv University（特拉维夫大学）；ThetaRay（ThetaRay公司）
一种使用机器学习（ML）方法的新型人工智能（AI）技术结合了由ThetaRay，Inc.应用于NASA的凌日系外行星勘测卫星（TESS）数据集，以识别系外行星候选者。AI/ML ThetaRay系统最初使用开普勒系外行星数据进行训练，并在应用于TESS数据之前使用确认的系外行星进行验证。数据的现有和新特征基于各种观测参数，通过采用半监督和无监督机器学习技术构建并用于AI/ML分析。通过将ThetaRay系统应用于TESS任务产生的10，803个阈值交叉事件（TCEs）的光变曲线，该算法从Mikulski Archive for Space Telescopes获得，该算法产生了约50个目标以供进一步分析，我们通过进一步的人工审查发现了三个新的系外行星候选者。这项研究首次展示了将特定的基于AI/ML的方法成功应用于大型天体物理数据集，以快速自动分类TCE。
DETECT: Real-Time Identification of Transients with DESI Spectroscopic Redshift
National Central University（中央大学）；Henan Academy of Sciences（河南省科学院）；Central China Normal University（华中师范大学）；Institute for Gravitational Wave Astronomy, Henan Academy of Sciences（河南省科学院引力波天文研究所）；Technical University of Munich（慕尼黑工业大学）；Max Planck Institute for Astrophysics（马克斯·普朗克天体物理学研究所）；National Chengchi University（国立政治大学）；University of Hawai‘i（夏威夷大学）
