全天空巡天多模态千新星观测的综合模拟框架
A comprehensive simulation framework for multi-modal kilonova observations from all-sky surveys
- University of Minnesota（明尼苏达大学）
- Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
- Florida State University（佛罗里达州立大学）
- University of California, Santa Cruz（加州大学圣克鲁兹分校）
- University of Delaware（特拉华大学）
- University of Virginia（弗吉尼亚大学）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
针对千新星观测数据稀缺问题，提出kilonova-multimodal-emulator模拟管道，生成含测光、光谱和图像的多模态数据集，用于训练大型AI模型识别全天空巡天中的千新星。
AI中文摘要：
当前的全天空巡天，如薇拉·鲁宾的时空遗产巡天和兹威基瞬变设施（ZTF），有望带来丰富的科学成果，这些成果蕴含在每晚产生的数百万个天体物理瞬变候选体中。千新星作为其中一种备受关注的瞬变体，在警报流中识别将具有挑战性，需要高效的人工智能模型来解析大量实时涌入的数据。为了构建这些大型模型，全面的多模态数据集对于训练是必不可少的。由于缺乏大量的千新星观测数据，我们提出了$\texttt{kilonova-multimodal-emulator}$——一个用于生成真实的多模态千新星观测的模拟管道，涵盖测光、光谱和图像。我们基于亮瞬变巡天（BTS）的历史观测节奏和极限星等信息，并利用最新的辐射转移千新星模型，为ZTF型观测演示了该管道，以生成一个旨在训练大型人工智能模型的综合数据集。
英文摘要：
Current all-sky surveys such as Vera Rubin's Legacy Survey of Space and Time and the Zwicky Transient Facility (ZTF) promise a wealth of scientific gains that are contained in the millions of astrophysical transient candidates produced each night. Kilonovae, one such transient of interest, will be challenging to identify in the alert stream and will require efficient artificial intelligence models to parse the large, real-time influx of data. In order to build these large models, comprehensive multimodal datasets are necessary for training. Due to a lack of numerous kilonova observations, we propose $\texttt{kilonova-multimodal-emulator}$ -- a simulation pipeline for realistic, multimodal kilonova observations comprised of photometry, spectra, and images. We demonstrate this pipeline for ZTF-type observations, based on historical cadence and limiting magnitude information from the Bright Transient Survey (BTS) and using the latest radiative transfer kilonova models to produce a comprehensive dataset meant for the training of large artificial intelligence model.
