The upcoming Legacy Survey of Space and Time (LSST) is expected to detect a few million transients per night, which will generate a live alert stream during the entire ten years of the survey. This stream will be distributed via community brokers whose task is to select subsets of the stream and direct them to scientific communities. Given the volume and complexity of the anticipated data, machine learning algorithms will be paramount for this task. We present the infrastructure tests and classification methods developed within the Fink broker in preparation for LSST. This work aims to provide detailed information regarding the underlying assumptions and methods behind each classifier and enable users to make informed follow-up decisions from Fink photometric classifications. Using simulated data from ELAsTiCC, we showcase the performance of binary and multi-class ML classifiers available in Fink. These include tree-based classifiers coupled with tailored feature extraction strategies as well as deep learning algorithms. Moreover, we introduce CATS, a deep learning architecture specifically designed for this task. Our results show that Fink classifiers are able to handle the extra complexity that is expected from LSST data. CATS achieved $\geq 93\%$ precision for all classes except `long' (for which it achieved $\sim 83\%$), while our best performing binary classifier achieves $\geq 98\%$ precision and $\geq 99\%$ completeness when classifying the periodic class. ELAsTiCC was an important milestone in preparing the Fink infrastructure to deal with LSST-like data. Our results demonstrate that Fink classifiers are well prepared for the arrival of the new stream, but this work also highlights that transitioning from the current infrastructures to Rubin will require significant adaptation of the currently available tools. This work was the first step in the right direction.
Fink, a new generation of broker for the LSST community
Fink是一个经纪人，旨在使科学与大型时域警报流，如即将到来的Vera C。Rubin Observatory Legacy Survey of Space and Time（鲁宾天文台时空遗产巡天）它展示了传统的天文学代理功能，例如自动摄取，注释，选择和重新分配瞬变科学的有前途的警报。它还旨在通过提供实时瞬态分类来超越传统的经纪人功能，并通过使用最先进的深度学习和自适应学习技术不断改进。这些不断发展的附加值将使LSST光度数据在各种科学案例中的科学输出更加准确，同时也会导致伴随调查演变的新发现的发生率更高。在本文中，我们介绍Fink，它的科学动机，架构和当前状态，包括使用Zwicky Transient Facility警报流的第一个科学验证案例。
Metrics for Optimization of Large Synoptic Survey Telescope Observations of Stellar Variables and Transients
大型综合巡天望远镜（LSST）将是有史以来最大的时域光度测量。为了最大限度地提高LSST的科学产量的瞬态恒星现象的广泛阵列，有必要优化调查节奏，覆盖范围和深度通过定量指标，专门设计用于表征各种类型的恒星瞬变的时域行为。在本文中，我们提出了基于LSST度量分析框架（MAF）模型（Jones et al. 2014）的三个此类度量。其中两个度量量化了LSST检测非周期性和/或非重现性瞬态事件的能力，以及LSST可靠地测量各种时间尺度的周期性信号的能力。第三个度量提供了一种方法来量化LSST将探测的恒星星族中恒星参数的范围。我们提供的例子使用这些指标，并讨论了一些影响，这些指标的基础上优化的LSST调查恒星变量和瞬变观测。
Transfer Learning for Transient Classification: From Simulations to Real Data and ZTF to LSST
Kavli Institute for Astrophysics and Space Research, Massachusetts Institute of Technology（凯斯勒天体物理与空间研究研究所，麻省理工学院）；Irvington High School（伊里弗顿高中）；Department of Physics and Astronomy, Northwestern University（物理与天文学系，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（CIERA））；NSF-Simons AI Institute for the Sky (SkAI)（NSF-模拟ons人工智能研究所（SkAI））
Anomaly detection in Fink. I. Discovery, follow-up, and classification of unusual sources
Université Clermont Auvergne（克莱蒙奥弗涅大学）；CNRS（法国国家科学研究中心）；LPCA（粒子与宇宙学实验室）；Lomonosov Moscow State University（莫斯科罗蒙诺索夫国立大学）；Sternberg Astronomical Institute（斯滕伯格天文研究所）；National Research University Higher School of Economics（高等经济大学）；Center for Astrophysics and Cosmology, University of Nova Gorica（新戈里察大学天体物理学与宇宙学中心）；Institute of Astronomy (Russian Academy of Sciences)（俄罗斯科学院天文研究所）；Université Paris-Saclay（巴黎萨克雷大学）；CNRS/IN2P3（法国国家科学研究中心/粒子物理研究所）；IJCLab（伊西莱穆利诺原子能委员会和粒子物理联合实验室）；Institute of Mechanics of Lomonosov Moscow State University（莫斯科罗蒙诺索夫国立大学力学研究所）
Early Identification of Optical Tidal Disruption Events: A science module for the Fink broker
IRAP, Université de Toulouse, CNRS, CNES, UPS（图卢兹大学 IRAP）；Institute of Physics of the Czech Academy of Sciences（捷克科学院物理研究所）；The Oskar Klein Centre, Department of Astronomy, Stockholm University（斯德哥尔摩大学奥谢·克莱因中心天文学系）；European Space Agency (ESA), European Space Astronomy Centre (ESAC)（欧洲空间局欧洲空间天文中心）；Université Clermont Auvergne, CNRS, LPCA（克莱蒙奥弗涅大学 LPCA）；Université Paris-Saclay, CNRS/IN2P3, IJCLab（巴黎萨克雷大学 IJCLab）；Lomonosov Moscow State University, Sternberg Astronomical Institute（莫斯科罗蒙诺索夫国立大学斯滕伯格天文研究所）；Centre for Astrophysics and Supercomputing, Swinburne University of Technology（斯威本科技大学天体物理学与超级计算中心）
An Information-Theoretic Metric for Transient Classification and Novelty Detection
University of Chicago（芝加哥大学）；Space Telescope Science Institute（太空望远镜科学研究所）；University of Delaware（特拉华大学）；Lehigh University（利哈伊大学）；Vera C. Rubin Observatory（薇拉·C·鲁宾天文台）
A classification algorithm for time-domain novelties in preparation for LSST alerts: Application to variable stars and transients detected with DECam in the Galactic Bulge
NOMAI : A real-time photometric classifier for superluminous supernovae identification. A science module for the Fink broker
Stockholm University（斯德哥尔摩大学）；Université Paris-Saclay（巴黎萨克雷大学）；Weizmann Institute of Science（魏茨曼科学研究所）；National Centre for Nuclear Research（国家核研究中心）；Liverpool John Moores University（利物浦约翰摩尔大学）；National Central University（中央大学）；University of Washington（华盛顿大学）；California Institute of Technology（加州理工学院）
Alertissimo -- a tool for orchestration of LSST broker streams
Astronomical Observatory（天文台）；University of Belgrade, Institute of Physics Belgrade（贝尔格莱德大学物理研究所）；University of Belgrade, Faculty of Organizational Sciences（贝尔格莱德大学组织科学学院）
Liverpool Telescope 2: a new robotic facility for rapid transient follow-up
利物浦望远镜是世界上首屈一指的时域天文学设施之一。时域景观将在未来十年内发生根本性变化，LSST等调查每晚提供大量瞬态探测;来自SVOM，SKA和CTA等其他设施的电磁波谱瞬态探测;以及“多信使天文学”时代，其中事件通过非电磁手段进行探测，如引力波发射。我们在这里描述我们的计划利物浦望远镜2：一个新的机器人望远镜，旨在利用这个新时代的时域天文学。LT 2将是一个4米级的设施，与LT共同位于加那利群岛拉帕尔马的Observatorio del Roque de Los Muchachos。该望远镜将被设计为能够做出极快的反应：目标是该望远镜将在收到另一个设施的触发信号后30秒内获取数据。这样做的动机是双重的：首先，它将使其成为研究早期发现的快速衰落瞬变和爆炸现象的世界领先设施。第二，它将使大规模的低到中等分辨率的瞬态光谱分类方案能够以很高的效率进行。在LSST时代的目标丰富的环境中，最大限度地减少采购管理费用将是最大限度地提高任何后续计划的科学收益的关键。该望远镜将有一套可同时安装以自动更换的各种仪器，但设想主要仪器将是一台中等分辨率的光学/红外摄谱仪，用于科学利用下一代天气测量设施发现的瞬变现象。在本文中，我们概述了望远镜的核心科学驱动因素，以及光学和机械设计的要求。
时域天文学的许多进展是通过将观测的多波长时间序列数据与我们对物理定律的理解所产生的模型相关联来实现的。这个目标通常通过将任务分为两部分来实现：收集数据（观察）和构建模型来表示数据（理论化）。由于专业化的自然趋势，最好的理论和最好的数据之间可能会出现脱节，这可能会延迟我们理解新类别瞬态的进展。我们推出MOSFiT：Modular Open-Source Fitter for Transients，一个基于Python的软件包，它从开放的在线目录下载瞬态数据集（例如，开放超新星目录），生成对那些数据集及其相关联的贝叶斯参数后验的半分析光变曲线拟合的蒙特卡罗集合，并且可选地将拟合结果传递回那些相同的目录以使它们可用于社区的其余部分。MOSFiT旨在帮助弥合时域天文学中观测和理论之间的差距;除了使现有模型的应用和新模型的创建尽可能简单外，MOSFiT还可以产生统计上可靠的瞬态特性预测，并具有标准输出格式，其中包括再现给定结果所需的所有设置信息。随着LSST等大规模调查发现全新的瞬态类别，MOSFiT等工具对于以统计一致、可重复和科学有益的方式快速比较模型与数据至关重要。
The Photometric LSST Astronomical Time-series Classification Challenge (PLAsTiCC): Selection of a performance metric for classification probabilities balancing diverse science goals
ORACLE: A Real-Time, Hierarchical, Deep-Learning Photometric Classifier for the LSST
Northwestern University（西北大学）；NSF-Simons AI Institute for the Sky (SkAI)（NSF-Simons天空人工智能研究所（SkAI））；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；The NSF AI Institute for Artificial Intelligence and Fundamental Interactions（NSF人工智能与基础相互作用研究所）；Massachusetts Institute of Technology（麻省理工学院）；Carnegie Mellon University（卡内基梅隆大学）；National Center for Supercomputing Applications（国家超级计算应用中心）
HOLISMOKES XVII: Detecting strongly lensed SNe Ia from time series of multi-band LSST-like imaging data
Technical University of Munich（慕尼黑工业大学）；Max-Planck-Institut für Astrophysik（马克斯·普朗克天体物理学研究所）；Aix Marseille Univ, CNRS, CNES, LAM（艾克斯-马赛大学）；Università degli Studi di Milano（米兰大学）；INAF - IASF Milano（意大利国家天体物理研究所米兰天文台）
Processing GOTO data with the Rubin Observatory LSST Science Pipelines I : Production of coadded frames
在过去的几十年里，宽视场、高节奏的勘测蓬勃发展，其中最令人生畏的将是由维拉C。鲁宾天文台。然而，系统时域巡天天文学领域是如此的新，以至于将继续使用比LSST更小、更灵活的系统来获得重大的科学见解。其中一个例子是引力波光学瞬态观测器，其主要科学目标是对引力波事件进行光学跟踪。GOTO和其他广域、高节奏调查产生的数据量和速度对数据处理管道提出了重大挑战，因为数据处理管道需要近实时操作以充分利用时域。在这项研究中，我们适应鲁宾天文台LSST科学管道处理GOTO数据，从而探索使用这种“现成的”管道处理其他广域，高节奏调查数据的可行性。在本文中，我们描述了我们如何使用LSST科学管道处理原始GOTO帧，最终产生校准的coadded图像和光度源目录。在将测量的天体测量和光度测量与PanSTARRS DR 1的匹配源进行比较后，我们发现测量的源位置通常精确到亚像素水平，并且测量的L波段光度测量精确到$m_L\sim16$的$\sim50$ mmag和$m_L\sim18$的$\sim200$ mmag。这些值相比，使用GOTO的主要，内部管道，GOTOPHOTO获得的，尽管这两个管道已经经历了进一步的发展和改进，超出了本研究中使用的实现。最后，我们发布了一个通用的“obs包”，如果其他人希望使用LSST科学管道来处理来自其他设施的数据，他们可以在此基础上构建。
Multiband neural network classification of ZTF light curves as LSST proxies
Konkoly Observatory, HUN-REN Research Centre for Astronomy and Earth Sciences（孔科利天文台，匈牙利研究网络天文学与地球科学研究院）；HUN-REN CSFK, MTA Centre of Excellence（匈牙利研究网络CSFK，马塔卓越中心）；Department of Astrophysical Sciences, Princeton University（普林斯顿大学天体物理科学系）；ELTE Eötvös Loránd University, Institute of Physics and Astronomy（罗兰大学，物理与天文学研究所）；MTA–HUN-REN CSFK Lendület "Momentum" Stellar Pulsation Research Group（马塔-匈牙利研究网络CSFK Lendület "Momentum" 恒星脉动研究组）
