基于机器学习的Ia型超新星光谱自动定量拟合框架riddler的改进与应用

《Monthly Notices of the Royal Astronomical Society》：Quantitative modelling of type Ia supernovae spectral time series II:Exploring the diversity of thermonuclear explosion scenarios

　　摘要Ia型超新星（SNe Ia）的观测提出了多种前身星和爆炸情景的假设。然而，区分不同情景并将特定的SNe Ia与个别情景对应起来一直具有挑战性。对爆炸物理的约束通常通过对SNe Ia光谱进行经验建模以及对吻合程度的定性评估来实现。虽然这种方法提供了有益的见解，但它无法以稳健和系统的方式扩展到大量SNe Ia。riddler是一个基于机器学习的框架，用于自动化和定量拟合SNe Ia，旨在克服这些局限。神经网络被用作辐射转移模拟器，并结合嵌套采样方法，将模拟光谱与SNe Ia的观测数据进行拟合，以确定最佳拟合的输入参数和爆炸情景。在本工作中，我们介绍了riddler的最新改进，包括大幅扩展的训练数据集，涵盖了纯缓燃、延迟爆轰、双重爆轰、引力约束爆轰和剧烈并合。我们表明，尽管训练数据的复杂性和多样性增加，riddler仍能准确地恢复训练期间未见过的光谱的输入参数和爆炸情景。利用riddler，我们拟合了三颗覆盖不同子类的SNe Ia的观测数据：SN 2011fe、SN 2005hk和SN 2018byg。我们详细说明了应用类似方法时应考虑的一些局限性和假设。尽管如此，这种方法和riddler的优势将使自动化拟合在未来几年中发挥越来越重要的作用。