评估伽马射线暴光变曲线重建:多种机器学习方法的应用
《Journal of High Energy Astrophysics》:Evaluating Gamma-Ray Burst Light Curve Reconstruction: A Diverse Machine Learning Approach
【字体:
大
中
小
】
时间:2026年06月28日
来源:Journal of High Energy Astrophysics 6.1
编辑推荐:
K. Gupta|Krishnanjan Sil|M.G. Dainotti|D.H. Hartmann|M. Bogdan|A. Pollo|N. Fraija|E. Gangler|Shigehiro Nagataki|Jurgen Mifsud|Jackson Levi S
K. Gupta|Krishnanjan Sil|M.G. Dainotti|D.H. Hartmann|M. Bogdan|A. Pollo|N. Fraija|E. Gangler|Shigehiro Nagataki|Jurgen Mifsud|Jackson Levi Said印度北方邦PSIT学院计算机科学系,邮编209305
摘要:减少伽马射线暴X射线余辉光曲线中的间隙对于将其作为宇宙学探针具有重大意义。精确的重建能够优化二维Dainotti关系,即静止帧平台结束时间Ta、相应亮度La之间的关系,进而延伸到基本平面——从而实现理想状态,即拥有完整无缺的X射线光曲线覆盖。本研究在之前对521个伽马射线暴的重建基础上,引入五种不同模型:核岭回归、立方平滑样条、通过人工神经网络的高斯过程、人工神经网络以及符号回归。我们的研究显示,立方平滑样条模型在三个参数上的不确定性降低幅度最大,优于所有之前的机器学习及统计模型。此外,对于“良好”伽马射线暴子类,立方平滑样条、核岭回归和人工神经网络模型的异常值率为0%。立方平滑样条模型表现最佳,因为它能够在捕捉复杂光曲线结构与避免过度拟合噪声较大、数据稀疏的情况之间取得平衡。这些进展对于利用伽马射线暴的光曲线参数作为理论模型鉴别工具、在宇宙学中作为标准烛光,以及运用最先进的机器学习技术预测伽马射线暴的红移至关重要。
引言:伽马射线暴属于宇宙中最耀眼的瞬变现象,根据对遥远伽马射线暴的观测,其可追溯到红移z=9.4的时代(Cucchiara等人,2011年),因此成为理解早期宇宙的重要工具。通过对伽马射线暴的深入分析,可以获取关于第三族恒星的见解。传统上,根据伽马射线发射持续时间T90,伽马射线暴被分为两类。这一指标表示在记录初始5%的计数后,积累完总发射能量90%所需的时间(Kouveliotou等人,1993年;Mazets等人,1981年)。短伽马射线暴通常与致密天体碰撞有关,其T90≤2秒(Bucciantini等人,2012年;Duncan和Thompson,1992年;Lamb和Reichart,2001年;Levan等人,2008年;Metzger等人,2011年;Narayan等人,1992年;Perna等人,2016年;Schaefer,2006年;Thompson,1994年;Usov,1992年)。相反,长伽马射线暴与大质量恒星坍缩有关,其T90≥2秒(Ahumada等人,2021年;Aloy和Obergaulinger,2021年;Bloom等人,2002年;Bucciantini等人,2008年;Cano等人,2017年;Hjorth和Bloom,2012年;Hjorth等人,2003年;Kumar等人,2008年;MacFadyen和Woosley,1999年;Nagataki,2009年;Nagataki,2011年;Nagataki,2018年;Nagataki等人,2007年;Paczyński,1998年;Perna等人,2018年;Woosley,1993年;Woosley和Bloom,2006年;Woosley和Heger,2006年)。基于T90的分类后来又根据合并起源和坍缩星起源分别划分为I型和II型(Zhang,2007年;Zhang等人,2009年)。初始的高能发射阶段可归因于内部壳层碰撞、光球层发射或磁重联等过程(Beskin等人,2010年;Blake等人,2005年;Gorbovskoy等人,2012年;Ito等人,2015年;Ito等人,2019年;Ito等人,2024年;Ito等人,2013年;Mizuta等人,2011年;Vestrand等人,2005年;Vestrand等人,2014年)。而持续的多波段余辉阶段则被认为是由壳层与周围爆发环境介质的相互作用所导致的(Costa等人,1997年;Gehrels等人,2009年;Piro等人,1998年;van Paradijs等人,1997年;Warren等人,2018年;Warren等人,2021年;Warren等人,2022年;Warren等人,2017年)。尼尔·盖赫尔斯斯威夫特天文台上的仪器,尤其是BAT、XRT和UVOT,在快速探测伽马射线暴以及开展X射线和光学波段的后续观测方面发挥了重要作用(Barthelmy等人,2005年;Burrows等人,2005年;Roming等人,2005年)。此外,斯威夫特在多波段对余辉的快速观测也带来了关于伽马射线暴光曲线新特征的发现(Nousek等人,2006年;Tagliaferri等人,2005年;Troja等人,2007年)。大多数X射线光曲线在初始阶段之后都会出现一个平台期(Dainotti等人,2008年;Dainotti等人,2017年;Dainotti等人,2016年;Dainotti等人,2010年;Dereli-Bégué等人,2024年;Liang等人,2007年;Nousek等人,2006年;O’Brien等人,2006年;Sakamoto等人,2007年;Willingale等人,2007年;Zhang等人,2006年)。这个平台期通常用断裂幂律模型、平滑连接的断裂幂律模型,或者Willingale提出的现象学模型来描述,见图1。第2节将详细介绍W07模型及其参数。磁星模型或黑洞吸积模型也常被用来解释这一平台期,这是伽马射线暴余辉发射的一个典型特征。也有其他替代模型被提出(Mészáros,1999年;Ruffini等人,2018年;Sultana等人,2013年)。准确确定平台期结束的时间Ta对于验证该模型的可靠性至关重要。此外,还观察到了静止帧时间TX,a*与相应X射线亮度LX之间的反相关关系,即Dainotti二维关系(Dainotti等人,2008年;Dainotti等人,2015年;Dainotti等人,2011年;Dainotti等人,2017年;Dainotti等人,2013年;Dainotti等人,2010年;Li等人,2018年;Tang等人,2019年;Wang等人,2022年;Zhao等人,2019年)。这一关系在光学波段和射电波段也有延伸(Dainotti等人,2020年;Levine等人,2022年)。将初始峰值亮度LX,peak加入这一二维L-T关系中,就可以构建出三维Dainotti关系(Dainotti等人,2020年;Dainotti等人,2017年;Dainotti等人,2016年;Dainotti等人,2022b年;Cao等人,2022a年;Cao等人,2022b年;Dainotti等人,2023b年;Dainotti等人,2022g年)。为了提升这些关系在宇宙学研究中的适用性,我们需要减少其参数的散布程度,进而降低整个关系的整体散布。为此,光曲线重建有助于实现这些目标。如果能够将平台期参数的不确定性降低47.5%,那么就能达到与2014年通过Ia型超新星所获得的ΩM=0.042这一宇宙学精度相当的水平,正如Betoule等人(2014年)所描述的那样。按照(Dainotti等人,2022g年)的预测,这样的精度可在18年内实现,而如果我们能进一步降低参数散布,实现这一精度的所需时间还将更短。这也是本文的主要目标之一,详见结论部分的最后一点。总之,只要能降低关系的散布程度,就需要更少的伽马射线暴样本就能达到Ia型超新星的精度,相应地也能减少所需时间(Dainotti等人,2022g年;Narendra等人,2022年)。在将伽马射线暴用于宇宙学研究或种群研究时,一个重大障碍就是光曲线中存在的观测间隙,这些间隙可能是由于后续观测延迟或探测器限制造成的。例如,标准的火球模型(Panaitescu和Kumar,2000年;Piran,1999年)就受到这些间隙的影响,而其可通过闭合关系来进行评估(Barniol Duran等人,2015年;Dainotti等人,2023年;Dainotti等人,2024b年;Dainotti等人,2025年;Dainotti等人,2021年;Dainotti等人,2022d年;Fraija等人,2024a年;Fraija等人,2024b年;Fraija等人,2023年;Fraija等人,2025年;Fraija等人,2020年;Fraija等人,2024c年;Kumar和Duran,2010年;Levine等人,2023年;Li等人,2012年;Li等人,2015年;Racusin等人,2009年;Ryan等人,2020年;Ryan等人,2020年;Tak等人,2019年;Wang等人,2015年;Wang等人,2018年;Zhang,2007年;Zhang等人,2006年;Zhang和Meszaros,2002年)。针对这一问题,光曲线重建技术已被证明是一种有效的解决方案。为了解决光曲线中的时间间隙问题,之前的研究如Dainotti等人(2023c年)和Sourav等人(2023年)引入了高斯过程和长短期记忆网络等概率论及深度学习技术。Dainotti等人(2023a年)、Kaushal等人(2025年)以及Manchanda等人(2025年)进一步发展了这些方法,他们评估了16种不同的光曲线重建模型。我们在现有框架基础上又引入了五种新模型,分别是:核岭回归、立方平滑样条、通过人工神经网络的高斯过程、符号回归以及人工神经网络。
本文结构如下:第3节将详细介绍用于重建伽马射线暴光曲线的数据库及各种模型。第3.3节会对每种机器学习模型进行详细说明。第4节将阐述模型的性能、异常值情况以及不确定性。第5节则会总结并分析各模型的实际效果。附录A则讨论了在重建和分析模拟伽马射线暴数据集时遇到的系统偏差问题及解决办法。
数据集与Willingale模型:本分析所使用的521个伽马射线暴数据与Dainotti等人(2023a年)、Kaushal等人(2025年)、Manchanda等人(2025年)所描述的相同。Dainotti等人(2020年)、Srinivasaragavan等人(2020a年)最初提供的样本后来在Dainotti等人(2024a年)、Dainotti等人(2024d年)、Narendra等人(2024年)的研究中得到了补充,增加了更多伽马射线暴样本。这两个数据集均来自斯威夫特BAT-XRT数据库(Evans等人,2009年;Evans等人,2007年)。W07函数被用来对伽马射线暴的光曲线进行建模。
方法论:本节将介绍用于重建伽马射线暴光曲线的方法。首先描述预处理步骤,接着说明选择各模型的理由,然后详细阐述每种模型的理论框架及实现方式。
结果:光曲线重建旨在降低模型参数的不确定性。我们通过计算原始数据集中以及使用模型重建后的每个模型参数的误差分数来评估这种降低效果。根据Dainotti等人(2023c年)的说法,这三个参数的误差分数分别用公式(17)、(18)和(19)表示:EFlog10(Ta)=|Δlog10(Ta)log10(Ta)|,EFlog10(Fa)=|Δlog10(Fa)log10(Fa)|,EFαa=|Δαaαa|。其中,ΔX表示……
总结与结论:我们展示了所提出的技术在模拟伽马射线暴光曲线以及填补其时间间隙方面的效果。以下是我们研究的主要发现:立方平滑样条模型在降低不确定性方面表现最为出色,log?Ta的不确定性降低了44.2%,log?Fa的降低了44.5%,α的降低了50.4%。该模型在三个参数上的表现都优于QSS模型以及其他所有先前使用的模型,分别提升了log?Ta 1.6%、log?Fa 3.0%、α 4.3%的表现。
CRediT作者贡献声明:K. Gupta:概念设计、方法论、软件开发、验证、形式分析、研究、数据整理、原文撰写、修订与编辑、可视化。Krishnanjan Sil:修订与编辑、原文撰写、可视化、验证、软件开发、方法论、研究、形式分析、概念设计。M.G. Dainotti:概念设计、方法论、监督、验证、项目管理、软件开发、资源协调、原文撰写。
利益冲突声明:作者声明没有已知的财务利益或可能影响本文研究结果的个人关系。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号