- 利用 LSST 观测潮汐破坏事件的前景
LSST 采用模拟观测策略在 20 个 20.25 平方度的场上定义了 TDE 目录,预计在 10 年的运营期间发现 35000 到 80000 个 TDE。但是,受不规则的观测节律影响,探测 SMBH 质量分布会面临一定的困难。
- LSST 主观测中的偶发性千分光新星的发现:最大化亚阈重力波事件的探测
本研究研究了大型望远镜可以如何发现双中子星和中子星 - 黑洞合并后的重力波事件,探究了合适的观测策略对于发现类似事件的影响以及其对测量哈勃常数的影响。
- 基于机器学习的经纪人用于 LSST 警报流的实时分类
本文介绍了一种机器学习方法,采用可用的光学多波段光度测量特征对宇宙学事件进行分类、表征和优先级排序,该方法适用于实时监听和处理大型天文调查过程中产生的异常事件流。
- 用于分类、检测和预测斯隆数字天区 Stripe 82 类星体光度红移的深度学习方法
本研究使用卷积神经网络(CNN)对斯隆数字天空调查中的类星体进行分类和检测,以及预测类星体的光度红移,并结合随机森林分类器提高准确性,相较于其他分类器表现显著提高,在未来的大数据库例如大型巡天望远镜中具有很好的应用前景。
- LSST 观测策略的科学优化
本研究探讨了少量变化对 LSST 观测策略的影响,分析了不同的观测策略对众多提议的科学项目的影响,并采用一系列的诊断指标和优劣指标进行了量化评估,发现采用 “滚动节奏” 对于许多时间域和运动物体天文学项目具有重要意义。
- 大型同步巡天望远镜宇宙学概述
LSST 是一项高端成像设施,将在智利北部的 Cerro Pachon 上建成,以测量暗能量物理和宇宙论的事实为重点。
- SDSS 瞬变巡天图像的机器学习分类
通过基于 PCA 的机器学习算法对短暂成像数据进行分类,可以实现 96% 的完整度和 84% 的准确度,并且在未来的天文调查中将大力发展完全机器化的解决方案。
- 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。
- LSST 科学书,版本 2.0
LSST 是一项为期 10 年的成像调查,光学带可以覆盖大面积并对光强度进行快速检测,它可以革命性地映射我们的宇宙,探索不同宇宙模型以及黑暗能量的物理学问题。
- LSST: 从科学驱动到参考设计及预期数据产品
大型同步巡天望远镜 (LSST) 是目前最具野心的光学巡天项目,驱动其设计的四大科学主题是探测暗能量和暗物质、对太阳系进行清单式调查、探测短暂的光学天体和绘制银河系地图,它能够在深度、范围和速度方面实现独特的巡天能力,并将在未来十年内观测