使用无监督机器学习的GRB光学和X射线平台特性分类器
摘要：探索伽马射线暴（GRBs）是否可以基于更广泛的参数进行分类，包括即时和平台发射参数。观测证据表明存在更多的GRB亚类，但迄今为止的结果要么相互矛盾，要么不具有统计学意义。本研究根据观测到的X射线和光学性质，采用基于机器学习的分类方法对GRBs进行分类。我们使用了两个数据样本：第一个样本包含203个GRBs，来自Neil Gehrels Swift天文台（Swift/XRT），第二个样本包含134个GRBs，来自地面望远镜和Swift/UVOT。这两个样本都具有平台发射（在即时发射之后的光曲线上出现的平坦部分，主要是GRB事件）。我们应用了高斯混合模型（Gaussian Mixture Model，GMM）来探索多个参数空间和亚类组合，以确定当前观测亚类与统计分类之间是否存在匹配。通过这些样本和算法，我们在某些情况下发现了一些微小趋势，但无法得出任何明显的GRB分类趋势。这些微小趋势可能指向对这些类别的物理意义（例如相同祖先的不同环境或不同祖先）的深入理解。然而，更大的样本和不同的算法可以实现这些目标。因此，这种方法在未来能够带来更深入的洞察。
作者：Shubham Bhardwaj, Maria G. Dainotti, Sachin Venkatesh, Aditya Narendra, Anish Kalsi, Enrico Rinaldi, and Agnieszka Pollo
论文ID：2308.14288
分类：High Energy Astrophysical Phenomena
分类简称：astro-ph.HE
提交时间：2023-09-01