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)
Ved G. Shah, Alex Gagliano, Konstantin Malanchev, Gautham Narayan, Alex I. Malz, The LSST Dark Energy Science Collaboration
我们介绍了ORACLE,这是首个用于实时、情境感知分类的分层深度学习模型,用于瞬变和变星天体物理现象。ORACLE是一种具有门控循环单元(GRUs)的循环神经网络,并使用定制的分层交叉熵损失函数进行训练,以在仅需单个光度观测的情况下提供高置信度的分类。每个对象的上下文信息,包括宿主星系的光度红移、偏移量、椭圆率和亮度,被连接到光曲线嵌入,并用于最终预测。在训练约0.5M个事件的Extended LSST天文时间序列分类挑战数据集上,我们实现了在顶层(瞬变 vs 变星)上的宏平均精度为0.96,仅使用第一次检测后的1天光度观测加上上下文信息,此精度在获得64天的光曲线后增加到>0.99,在1024天后为19种分类(包括超新星亚类、活动星系核、变星、微透镜事件和千新星)的精度为0.83。我们还比较了ORACLE与其他最先进的分类器,并报告了在19种分类任务上的可比性能,此外还提供了更早的准确顶层分类。本工作中使用的代码和模型权重可在我们的关联GitHub仓库(https://github.com/uiucsn/ELAsTiCC-Classification)上公开获取。
英文摘要:
We present ORACLE, the first hierarchical deep-learning model for real-time, context-aware classification of transient and variable astrophysical phenomena. ORACLE is a recurrent neural network with Gated Recurrent Units (GRUs), and has been trained using a custom hierarchical cross-entropy loss function to provide high-confidence classifications along an observationally-driven taxonomy with as little as a single photometric observation. Contextual information for each object, including host galaxy photometric redshift, offset, ellipticity and brightness, is concatenated to the light curve embedding and used to make a final prediction. Training on $\sim$0.5M events from the Extended LSST Astronomical Time-Series Classification Challenge, we achieve a top-level (Transient vs Variable) macro-averaged precision of 0.96 using only 1 day of photometric observations after the first detection in addition to contextual information, for each event; this increases to $>$0.99 once 64 days of the light curve has been obtained, and 0.83 at 1024 days after first detection for 19-way classification (including supernova sub-types, active galactic nuclei, variable stars, microlensing events, and kilonovae). We also compare ORACLE with other state-of-the-art classifiers and report comparable performance for the 19-way classification task, in addition to delivering accurate top-level classifications much earlier. The code and model weights used in this work are publicly available at our associated GitHub repository (https://github.com/uiucsn/ELAsTiCC-Classification).
Quantifying the Impact of LSST $u$-band Survey Strategy on Photometric Redshift Estimation and the Detection of Lyman-break Galaxies
University of Washington(华盛顿大学);Imperial College London(帝国理工学院);Rutgers, the State University of New Jersey(新泽西州立罗格斯大学);University of Toronto(多伦多大学);Carnegie Mellon University(卡内基梅隆大学);University of Pittsburgh(匹兹堡大学);Université Paris Cité(巴黎西岱大学)
Photometric Redshifts with the LSST II: The Impact of Near-Infrared and Near-Ultraviolet Photometry
精确的测光红移(照片- $z$)估计是必不可少的宇宙科学目标的维拉C。Rubin Observatory Legacy Survey of Space and Time(鲁宾天文台时空遗产巡天)在这项工作中,我们使用模拟的光度模拟星系目录,探讨如何LSST照片$z$估计可以提高近红外(NIR)和/或紫外线(UV)光度从欧几里得,WFIRST,和/或卡斯特空间望远镜。一般来说,我们发现,更深的光学测光可以减少光$z$估计的标准偏差比增加近红外或紫外线过滤器,但额外的过滤器是唯一的方法,以显着降低星系的比例与灾难性的低估或高估的光$z$。对于欧几里德,我们发现,${JH}$ $5σ$光度检测的增加可以减少标准偏差的星系与$z>1$($z>0.3$)的${\sim}20\%$(${\sim}10\%$),和异常值的分数由${\sim}40\%$(${\sim}25\%$)。对于WFIRST,我们展示了如何添加深度${YJHK}$光度测量可以在$z>1.5$处将标准差降低${\gtrsim}50\%$,并将离群值的比例大幅降低到整体${\sim}2\%$。对于CASTOR,我们发现加入它的${UV}$和$u$带测光可以使具有$z<0.5$的星系的标准差减少${\sim}30\%$,离群值减少${\sim}50\%$。我们还评估了与NIR和UV调查重叠的天空区域内的照片- $z$结果,以及使…
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)
The Photometric LSST Astronomical Time-series Classification Challenge (PLAsTiCC): Selection of a performance metric for classification probabilities balancing diverse science goals
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。
The LSST era of supermassive black holes accretion-disk reverberation mapping
维拉C。鲁宾天文台的时空遗产巡天(LSST)将探测到一个空前大的活跃吸积超大质量黑洞样本,其典型的吸积盘(AD)大小为几个光日。这给利用带间连续延迟测量活动星系核AD尺寸的混响映射带来了挑战。我们使用我们的度量AGNTimeLagMetric检查LSST节奏策略对AD RM的影响。它解释了红移、节奏、星等极限和尘埃消光的星等修正。在不同的LSST节奏策略上运行我们的度量,我们产生了LSST光度RM测量的性能估计的图谱。我们提供了一个上限的估计数量的类星体,其AD时滞可以计算在0<z <7 using the features of our metric. We forecast that the total counts of such objects will increase as the mean sampling rate of the survey decreases. The AD time lag measurements are expected for >1000源在每个深钻领域(DDF,10平方米)。度),这些源的红移分布在z~1处达到峰值。我们发现LSST观测策略具有良好的节奏(~ 5天)和长的累积季节(~9年),如LSST DDF所建议的,有利于AD大小测量。我们为最合适的DDF节奏创建合成LSST光变曲线,并确定RM时间滞后,以证明基于所提出的度量的…
Redshift Assessment Infrastructure Layers (RAIL): Rubin-era photometric redshift stress-testing and at-scale production
Ruhr University Bochum(鲁尔大学波鸿);SLAC National Accelerator Laboratory(斯坦福直线加速器中心);Kavli Institute for Particle Astrophysics and Cosmology (KIPAC), Stanford University(卡弗里粒子天体物理与宇宙学研究所,斯坦福大学);Université Clermont-Auvergne, CNRS, LPCA(克莱蒙奥弗涅大学,法国国家科学研究中心,LPCA);McWilliams Center for Cosmology and Astrophysics, Department of Physics, Carnegie Mellon University(梅斯威尔宇宙学与天体物理中心,卡内基梅隆大学物理系)
RAIL 是一个开源 Python 库,用于大规模概率光度红移估计,提供模块化工具进行端到端压力测试和红移 PDF 估算,适用于多种科学目标。
Blazar variability with the Vera C. Rubin Legacy Survey of Space and Time (LSST)
耀变体的辐射主要来自指向我们的相对论性喷流,是研究河外喷流及其中心引擎的基本来源,由吸积盘提供的超大质量黑洞(SMBH)组成。它们也是高能中微子和宇宙射线的候选源。由于喷流的方向,非热耀变体的发射是多普勒波束;它的变化是不可预测的,发生的时间尺度从不到一小时到几年。理解产生通量和光谱变化的不同机制需要在长时间段上良好采样的多波段光变曲线。特别是,爆发是揭示潜在物理学的最佳测试平台,特别是在多波长背景下研究时。维拉C。Rubin Legacy Survey of Space and Time(Rubin-LSST)将在六个测光波段对南部天空进行为期十年的监测,为以统计方式研究blazar可变性特征提供了强大的工具。警报系统将使我们能够触发对突出事件的后续观测,特别是在高(keV到GeV)和非常高(TeV)能量下。在这里,我们研究了模拟Rubin-LSST调查策略,目的是了解哪些节奏更适合耀变体科学。我们的指标包括光变曲线和颜色采样。我们还调查了饱和的问题,这将影响最亮的和许多耀斑源,并将对后续观测产生不利影响。
Early Telescope Throughput Results from the Collimated Beam Projector at the Vera C. Rubin Observatory
Laboratoire d’Annecy de Physique des Particules (LAPP)(巴黎-萨克雷大学粒子物理实验室);NSF’s NOIRLab(美国国家光学红外天文实验室);SLAC National Accelerator Laboratory(斯坦福直线加速器中心);Laboratoire Irène Joliot-Curie (IJCLab)(伊雷娜·约里奥-居里实验室);Kavli Institute for Particle Astrophysics & Cosmology (KIPAC)(卡弗里粒子天体物理与宇宙学研究所);Department of Physics, Harvard University(哈佛大学物理系)
Optimizing the LSST Observing Strategy for Dark Energy Science: DESC Recommendations for the Deep Drilling Fields and other Special Programs
我们回顾了暗能量的测量,使深钻领域的观测和宇宙学测量的调查设计的优化。本白皮书是LSST DESC观测战略工作组(OSTF)努力的结果,该工作组代表了整个合作,旨在为DDFs的观测战略提出建议,这将有利于LSST的所有宇宙学分析。它附有DESC-WFD白皮书(Lochner等人)。我们主张改变名义深钻计划,有$>6$月季节,交织$gri$和$zy$观察每3天与2,4,8,25,4访问$grizy$,分别。这些建议的指导指标优化约束的暗能量和减轻系统的不确定性,包括具体要求总访问后,Y1和Y10测光红移(照片- $z$)和弱透镜系统。我们指定了先前选择的LSST深场(ELAIS-S1,XMM-LSS,CDF-S和COSMOS)的精确位置,并推荐Akari Deep Field South作为计划的第五个深场,以便与Euclid和WFIRST协同。我们推荐的DDF策略使用LSST调查时间的$6.2\%$。我们简要讨论了与其他合作的白皮书的协同作用,以及额外的小型调查和目标的机会计划,导致更好地测量暗能量。
Scalable and Robust Multiband Modeling of AGN Light Curves in Rubin-LSST
Bishop’s University(主教大学);Yale University(耶鲁大学);Universidad Diego Portales(迭戈·波特莱斯大学);Wayne State University(韦恩州立大学);Universidad de Tarapacá(塔拉帕卡大学);University of Napoli “Federico II(那不勒斯费德里科二世大学);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);Millennium Institute of Astrophysics (MAS)(天体物理学千年研究所)
On possible proxies of AGN light curves cadence selection in future time domain surveys
受即将到来的光度和光谱调查的启发(Vera C. Rubin Observatory Legacy Survey of Space and Time(LSST),Manuakea Spectroscopic Explorer),设计了统计代理函数来测量活动星系核(AGN)的变化-可观测量(时滞、周期性和结构函数(SF))的韵律效应。我们构建了一个多元回归模型,统计识别的节奏形式的错误模式,知道AGN的时间滞后和周期性从不同的调查。我们定义了简单的度量SF的属性,占“观察到的”SF的偏差相对于那些从均匀采样的光变曲线。我们测试了不同的观测策略的回归模型:8个AGN的长光变曲线的光学数据集的特点和人工数据集的基础上几个理想化的LSST的节奏。在合成数据集上评估SFs度量。回归模型(对于两种数据类型)预测时滞和振荡检测的节奏相似,而对于具有低可变性的光变曲线($\sim 10\%$),振荡检测的节奏不同。对于较高变异性($\sim20\%$),预测的节奏大于$F_{var}\sim 10\%$。预测的节奏是减少红移。具有密集和同质节奏的SF更有可能表现出类似的行为。具有振荡信号的SF对节奏敏感,可能影响LSST样操作策略。建议的代理人可以帮助选择光谱和光度测量的节奏策略,他们将在更大的对象样本进行进一步测试。
Improving Generalization and Uncertainty Quantification of Photometric Redshift Models
Department of Physics and Astronomy, UCLA, Los Angeles, CA 90095, USA(物理与天文学系,UCLA);Computer Science Department, Southern Oregon University, Ashland, OR 97520, USA(计算机科学系,索纳德奥尔大学);Department of Physics, University of Richmond, Richmond, VA 23173, USA(物理系,里奇蒙大学)
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。
Predictions of Transiting Exoplanet Confirmations from Rubin LSST Surveys
School of Earth and Space Exploration, Arizona State University(亚利桑那州立大学地球与太空探索学院);Penn State University(宾夕法尼亚州立大学);Universidad Andres Bello(安德烈斯贝略大学);Universidad Nacional Autonoma de México(墨西哥国立自治大学);University of Belgrade(贝尔格莱德大学)