Feb, 2019

Zwicky 瞬变设施：数据处理、产品和档案

PDF
TL;DRZwicky Transient Facility (ZTF) is a time-domain survey utilizing a unique image-differencing algorithm, sensitive photometry, and data-rich alert packets to detect and track variable sources of all varieties, in real time, for a wide range of scientific applications.
zwicky transient facilitytime-domain surveyimage-differencing algorithmphotometric calibrationscientific applications
发现论文，激发创造
  • ZTF 瞬变天文台：系统概述、性能和首批结果

    Zwicky Transient Facility (ZTF) 是一项新的光学时域巡天，使用 Palomar 48 英寸 Schmidt 望远镜，所采用的自定义广角相机提供了 47 平方度的视场和 8 秒的读出时间，相对于其前身巡天 Palomar Transient Factory（PTF），提高了一个数量级的观测速度。该研究描述了相机和观测系统的设计和实现，以及数据处理和分析方案，最终给出了 ZTF 的初步科学结果和性能分析。

    Feb, 2019

  • DeepStreaks：使用深度学习在 Zwicky 瞬变设施数据中识别快速运动的物体

    使用卷积神经网络的 DeepStreaks 系统能够高效、准确地识别和追踪 ZTF 所捕获的高速行星，有效减少人工识别的时间和准确性。

    Apr, 2019

  • Zwicky 瞬变设施明亮瞬变调查。II. 一个公开的统计样本，用于探索超新星人口统计学

    在这篇研究中，我们介绍了 ZTF Bright Transient Survey 公共目录，这是一项针对 ZTF 公共流域的限幅（在 g 或 r 滤波器中 m <19 mag）的外星暴变巡查。我们对调查范围、峰值光的天空可见性和其他与瞬变本质无关的属性进行了筛选，并展示了所得到的统计样本，在 < 18 mag 时，光谱学上的完成度为 97％，在 < 18.5 mag 时完成度为 93％，在 < 19 mag 时完成度为 75％。我们总结了这个人群的基本属性，确定了各种超新星类别中不同的持续时间 - 亮度相关性，并将大多数快速光学瞬变与已知光谱超新星类型（主要是 SN Ibn 和 II/IIb）联系起来。我们测量了 Ia 型和核心坍缩（CC）SN 的速率和亮度函数，发现它们与最近的研究基本一致。大约有 7％的 CC SNe 在非常低亮度的星系（M_i>-16 mag），10％在红序列星系中，1％在大质量椭圆体中爆炸。我们没有发现 Type II 和 Type Ib/c 超新星宿主星系之间的亮度或颜色分布存在显着差异，这表明线驱动风剥离不是它们的祖先中氢包层丢失的主要原因。未来 ZTF 和其他广域面扫描的大规模分类工作将提供所有已知类型的光学瞬变的速率、属性和环境的高质量测量，以及对理论上预测但尚未观测到的爆炸存在性的限制。

    Sep, 2020

  • 中间型帕洛马暴变工厂的 IPAC 图像减法与发现管线

    使用中红外处理和分析中心（IPAC），加利福尼亚理工学院操作的中型帕洛玛临时工厂（iPTF）的近实时瞬变源发现引擎（IDE），描述了该引擎，包括 PSF 匹配，图像减法，机器学习，引入了误识别、数据存储和团队合作。

    Aug, 2016

  • 利用深度学习对 Zwicky 瞬变设施进行真假分类

    本文介绍了一种卷积神经网络深度学习算法（braai），用于识别天文学巡天过程中由 Zwicky 瞬变观测设备产生的真实物理事件和对象，开发者还描述了用于存档和访问 ZTF 警报和光度曲线的开源软件工具，以及用于标记数据的 Zwickyverse。同时报道了分类器部署在边缘张量处理单元（TPUs）上的初步结果展示了与准确度相抵触的更（成本）高效的状态 - 最先进的性能，这对当前和未来市场调查具有重要的影响。

    Jul, 2019

  • 在天巡成像时代自动发现和分类瞬变和变星

    基于机器学习算法，自动发现具有变化的天空中的实体并进行科学分类的框架，适用于 Palomar 短暂工厂（PTF）调查和其他现代综合成像调查，最近一年的自主操作已导致几个重大的科学结果。

    Jun, 2011

  • 中级帕洛玛短时变源工厂：实时图像差分管线

    本文介绍了中间波罗马短暂工厂的实时图像减法管道，利用高性能计算、高效数据库和机器学习算法，该管道能够在图像拍摄的十分钟内可靠地提供瞬变候选者。我们使用高性能计算资源处理天文大数据的经验，为处理大规模时域设施的数据奠定了基础。

    Aug, 2016

  • RAPID: 基于深度学习的爆炸式瞬变早期分类

    RAPID 是一个用于时间序列分类的深度递归神经网络工具，可自动从初始警报的一天内到完整光度曲线的整个生命周期内识别瞬变现象，并且无需从数据中提取计算量昂贵的特征，因此非常适合处理 ZTF 和 LSST 等广域巡天发现的数百万警报。

    Mar, 2019

  • 暗能量调查中的自动瞬变识别

    本文利用随机森林的监督学习算法识别光学图像中的点源暴变和移动物体，经过实验表明，这种算法可以大幅度减少肉眼搜索需求，同时只能损失极少的人工注入的 Ia 型超新星事件，可在未来时间域成像调查中指示管道设计决策。

    Apr, 2015

  • 运用宽视场小口径望远镜的智能观测方法进行实时瞬变检测

    本文提出 ARGUS（统一望远镜天文目标检测框架）用于实时过境检测，采用基于深度学习的天文探测算法，将天文目标的位置和概率发送到经过训练的集成学习算法中，通过与星表匹配获取瞬变事件的类型和位置，在模拟数据上测试表明 ARGUS 可以显著提高 WFSATs 在瞬变检测任务中的性能。

    Nov, 2020