"pgmuvi": 多波长天文时间序列的快速简便高斯过程回归
摘要：天文学中的时间域观测越来越重要，通常是研究某些物体的唯一方法。随着新的勘测项目上线，时间序列数据的数量呈指数级增长 - 例如，Vera Rubin天文台每晚将产生15TB的数据，其时间与空间遗产勘测（LSST）预计将为$>10^7$个源头产生为期五年的光变曲线，每个光变曲线由5个光度测量波段组成。从历史上看，天文学家一直使用基于傅立叶变换的技术，如隆布-斯卡格尔周期图或信息论方法；然而，近年来，贝叶斯和数据驱动的方法，如高斯过程回归（GPR），已经引起了关注。然而，GPR的计算复杂性和陡峭的学习曲线限制了它的采用。'pgmuvi'通过构建先进的开源机器学习库，使多波段时间序列的GPR对天文学家更易于使用，从而保持了GPR的速度和灵活性。它提供了易于获得的GPU加速和超参数（例如周期）的贝叶斯推断，并且能够扩展到大型数据集。
作者：P. Scicluna, S. Waterval, D. A. Vasquez-Torres, S. Srinivasan, S. Jamal
论文ID：2308.00132
分类：Instrumentation and Methods for Astrophysics
分类简称：astro-ph.IM
提交时间：2023-08-02