Photo-zSNthesis: Converting Type Ia Supernova Lightcurves to Redshift Estimates via Deep Learning

要約

今後の測光調査では、分光資源の能力を大幅に上回る数万個の Ia 型超新星 (SNe Ia) が発見される予定です。
分光情報がない場合にこれらの観測の科学的成果を最大化するには、測光情報のみを使用して SN 赤方偏移などの重要なパラメーターを正確に抽出する必要があります。
我々は、マルチバンド超新星の光曲線から完全な赤方偏移確率分布を予測するための畳み込みニューラル ネットワーク ベースの手法である Photo-zSNthesis を紹介します。これは、シミュレートされた Sloan Digital Sky Survey (SDSS) と Vera C. Rubin Legacy Survey of Space and Time (LSST) の両方でテストされました。
) データと観測された SDSS SNe。
我々は、シミュレーションと実際の観測の両方において、既存の手法による予測に比べて大幅な改善を示し、また、選択効果による課題である赤方偏移に依存するバイアスを最小限に抑えています。
マルムキストバイアス。
この方法で生成された PDF は十分に制約されており、測光 SNe Ia サンプルの宇宙論的制約力を最大化します。

要約(オリジナル)

Upcoming photometric surveys will discover tens of thousands of Type Ia supernovae (SNe Ia), vastly outpacing the capacity of our spectroscopic resources. In order to maximize the science return of these observations in the absence of spectroscopic information, we must accurately extract key parameters, such as SN redshifts, with photometric information alone. We present Photo-zSNthesis, a convolutional neural network-based method for predicting full redshift probability distributions from multi-band supernova lightcurves, tested on both simulated Sloan Digital Sky Survey (SDSS) and Vera C. Rubin Legacy Survey of Space and Time (LSST) data as well as observed SDSS SNe. We show major improvements over predictions from existing methods on both simulations and real observations as well as minimal redshift-dependent bias, which is a challenge due to selection effects, e.g. Malmquist bias. The PDFs produced by this method are well-constrained and will maximize the cosmological constraining power of photometric SNe Ia samples.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google