一个机器学习模型检测活跃星系核中的时滞
为了探索最富能量的星系的核心，天文学家使用3D回响测绘技术。这种技术分析由围绕超大质量黑洞的吸积盘发出的光的时间延迟或时滞。未来的Vera Rubin天文台将为这项任务生成海量数据，但也提出了重大挑战，需要新的分析工具🕰️。
时滞揭示吸积盘的隐藏结构
短时滞源于光穿越吸积盘所需的时间，从而允许测绘其径向延伸。另一方面，更微妙且难以捕捉的长负时滞与物质向内流动所需的时间相关，提供关于吸积盘垂直结构的线索。使用传统方法检测这些时滞非常困难，特别是对于有间隙或信号微弱的数据序列。
观测新时代的挑战：- Rubin天文台将观测数百万个AGN，但其数据将有季节性间隙。
- 长负时滞信号本质上微弱且容易被掩盖。
- 经典分析方法无法很好地扩展以处理预期的海量数据。
似乎连超大质量黑洞在响应时也会有延迟，尽管在它们的情况下是以光日来衡量的。
Transformer革新检测
为了克服这些障碍，开发并训练了一个基于Transformer架构的机器学习模型。该模型检查模仿Rubin将产生的光变曲线模拟光变曲线，以自动且稳健地识别两种类型的时滞。
具有里程碑意义的成果：- 该模型以96%的完备性和仅0.04%的污染率识别长负时滞的存在。
- 以98%的精度预测时滞值。
- 大幅优于已建立的技术：插值互相关函数仅达到54%的精度，而javelin仅为