基于轻量级卷积神经网络的21厘米发射谱H I自吸收特征检测与速度推断

《Monthly Notices of the Royal Astronomical Society》：Detecting H i Self-Absorption using Neural Networks

　　

摘要

冷原子氢在星际气体的生命周期中起着至关重要的作用。它作为冷凝和冷却过程中的中间相，连接了星系内和周围的热弥散气体以及驱动恒星形成的冷分子气体。21厘米发射线中的H i自吸收是冷H i气体的最直接观测示踪体，不需要连续谱背景源，但其系统性提取仍然是一个长期存在的挑战。现有的自吸收识别方法依赖于主观的目视检查或对底层发射的建模，使得可重复、全面和大范围的应用变得困难。我们提出了一种轻量级卷积神经网络，旨在检测自吸收特征并通过事后过程推断其速度，无需对底层发射做出假设或使用辅助数据。在合成发射谱上训练的神经网络在保留的合成数据上达到了96.5%的准确率、96.0%的精确率和97.0%的召回率。将该网络应用于针对银河平面的Riegel–Crutcher云和巨分子丝状体区域的观测21厘米发射数据时，与先前的分析和辅助¹³CO发射数据相比，该网络恢复了已知的自吸收结构的空间分布和速度。至关重要的是，该神经网络计算效率很高，在单个消费级笔记本电脑GPU上每秒处理约15,000个光谱的检测，使得在平方公里阵列望远镜等下一代设施预期的数据速率下进行实时冷H i检测成为可能。

星际介质：结构, 星际介质：原子, 射电谱线：星际介质, 软件：机器学习