May, 2023

基于深度学习的 Ia 型超新星光变曲线到红移估计的转换（Photo-zSNthesis）

PDF
TL;DR采用卷积神经网络基于多波段超新星光变曲线预测完整的红移概率分布以解决光谱资源不足的问题，并在模拟数据和观测数据中均显示出比现有方法更好的性能，最大化了光度超新星样本的宇宙学约束能力。
photometric surveystype ia supernovaeredshift predictionconvolutional neural networkcosmological constraining power
发现论文，激发创造
  • 用监督学习方法在超新星遗产调查中进行 Ia 型超新星的光度分类

    本文介绍一种基于机器学习和光变曲线推导出红移的方法，通过高红移超新星的光度分类实现对它们的分类，研究表明该方法在分类效果方面表现良好。

    Aug, 2016

  • LSST 超新星的光度分类和红移估计

    该研究使用 Random Forest 算法通过 SN 颜色对 LSST 中的 SNe 进行了分类和红移估计，并成功获得可靠的光度红移估计，从而证明该方法可用于提高 SNe 在宇宙学探针中的能力。

    Jan, 2017

  • SuperRAENN：基于 Pan-STARRS1 调查超新星的半监督光变分类流程

    本文介绍了如何利用机器学习方法对恒星爆炸现象进行光度分类，根据采集到的光谱信息，将数据分为五类不同的恒星爆炸类型，这对于未来的天体观测具有重要意义。

    Aug, 2020

  • 基于半监督学习的光度超新星分类

    文章介绍了一种半监督机器学习方法，使用扩散映射技术和随机森林分类器对超新星光度学数据进行分类，并可在得到新数据时更新分类模型。通过在 Kessler 等人模拟的数据上验证，该方法在 Ia 型超新星中可以达到 95% 的纯度和 87% 的效率，在 photometric 模拟中的效果较弱，只有 50% 的纯度和 50% 的效率。作者还研究发现，选择更深度的光谱数据可以提高模型的纯度和效率。

    Mar, 2011

  • 超新星光度分类挑战赛结果

    该研究报告介绍了超新星光度分类的公开挑战，其中模拟了不同类型的 SNe，包括未发表的非 Ia 样本，评估了分类算法的效果，并发布了更新的模拟数据作为未来研究的公共资源。

    Aug, 2010

  • 一种简单且健壮的使用神经网络进行自动光度分类超新星的方法

    本研究提出了利用神经网络自动光度分类超新星为 Type-Ia 或 non-Ia 的方法，并基于 SNPCC 数据集进行训练和测试，得到了较高的分类准确度。

    Aug, 2012

  • 基于来自 Pan-STARRS1 Medium-Deep Survey 的光谱分类超新星的光度分类流水线训练

    通过开发一系列光学曲线分类管道，并将新型参数分析模型拟合到数据中，使用特征提取方法、数据增强策略和机器学习算法预测每个超新星分类。其结果表明，对于所有超新星类型的平均准确率为 90％，平均纯度为 70％，平均完整性为 80％，特别是 Type Ia SNe 和 SLSNe 的最高成功率，Type Ibc SNe 的最低成功率。

    May, 2019

  • Sloan 数字天文巡天 - II 超新星巡天：技术总结

    SDSS-II 正在进行一项多年计划，通过反复五波段成像，在南银河盖的赤道附近，对中红移（0.05 < z < 0.35）的 Ia 型超新星（SNe Ia）进行识别和发现，进行了两个三个月的季节观测，已经发现和测量了超过 327 个 SNe Ia，成为该领域的重要研究之一。

    Aug, 2007

  • SALT2：利用遥远超新星改进以 Ia 型超新星为距离指示器的应用

    基于大量光谱和光度学数据集，我们提出了一种与时间相关的 Type Ia 超新星光谱 - 光度学演化的经验模型，该模型可以用于测量 2500-8000 A 波长范围内的距离模数，通过改进的超新星光谱能量分布和光变组成的描述，我们改进了对于红移范围 0.8<z<1.1 内的 SNe Ia 的距离估计。

    Jan, 2007

  • 用卷积神经网络（CNN）方法对超新星时间序列进行分类

    利用卷积神经网络方法，通过观测亮度数据，识别显著对象 —— 超新星的时间序列，并通过高斯过程回归平滑波长时间方向，实现了对全周期和截断型超新星的回顾性和实时分类。

    Jul, 2022