利用卷积神经网络搜索暗能量光谱仪模拟光谱中的莱曼极限系统

作     者：蒲巧 刘涵 邹佳琪 蔡峥 Qiao Pu;Han Liu;Jiaqi Zou;Zheng Cai

作者机构：青海大学计算机技术与应用学院西宁810016 清华大学天文系北京100084 

出 版 物：《科学通报》 (Chinese Science Bulletin)

年 卷 期：2024年第69卷第21期

页      面：3191-3198页

核心收录：

学科分类：07[理学] 070401[理学-天体物理] 0704[理学-天文学] 

基　　金：国家自然科学基金(12073014)资助 

主　　题：DESI类星体光谱 莱曼极限系统 卷积神经网络 完备度和纯度 

摘      要：研究莱曼极限系统(Lyman limit systems,LLS)对于了解宇宙的大尺度结构、星系演化以及星系团内部气体分布具有重要意义.然而,由于LLS吸收特征的独特性,目前的研究主要采用传统方法,对柱密度在10^(19)cm^(-2)≤N(HI)6的情况下,当10^(19.0)cm^(-2)N(HI)1018.5cm^(-2)时,CNN模型的完备度超过0.5,而纯度也超过0.2;当10^(20.0)cm^(-2)N(HI)10^(19.0)cm^(-2)时,完备度超过0.9,而纯度超过0.7;当10^(20.0)cm^(-2)N(HI)10^(18.5)cm^(-2)时,CNN模型对LLS柱密度估计值与真实值的平均差值为-0.05161,标准差为0.239,对LLS红移估计值和真实值的平均差值为-0.0003,标准差为0.0009.这些结果表明:模型的完备度普遍高于纯度,尤其是在低柱密度的情况下,LLS在光谱中的吸收特征非常窄,极易与其他波段混淆,导致模型产生更多的FP(false positive)样本.此外,CNN模型对LLS的柱密度和红移的估计值略低于真实值,且估计误差的离散程度较小.本研究为未来的LLS研究提供了可参考的方法,鼓励研究人员适应并采用CNN模型进行各种光谱分析.