ترجمه فارسی مقاله طبقه بندی کننده redshift GRB برای پیگیری GRB های با Redshift بالا با استفاده از یادگیری ماشین نظارت شده

چکیده

Gamma-ray bursts (GRBs) are intense, short-lived bursts of gamma-ray radiation observed up to a high redshift ($z \sim 10$) due to their luminosities. Thus, they can serve as cosmological tools to probe the early Universe. However, we need a large sample of high$-z$ GRBs, currently limited due to the difficulty in securing time at the large aperture Telescopes. Thus, it is painstaking to determine quickly whether a GRB is high$z$ or low$-z$, which hampers the possibility of performing rapid follow-up observations. Previous efforts to distinguish between high$-$ and low$-z$ GRBs using GRB properties and machine learning (ML) have resulted in limited sensitivity. In this study, we aim to improve this classification by employing an ensemble ML method on 251 GRBs with measured redshifts and plateaus observed by the Neil Gehrels Swift Observatory. Incorporating the plateau phase with the prompt emission, we have employed an ensemble of classification methods to enhance the sensitivity unprecedentedly. Additionally, we investigate the effectiveness of various classification methods using different redshift thresholds, $z_{threshold}$=$z_t$ at $z_{t}=$ 2.0, 2.5, 3.0, and 3.5. We achieve a sensitivity of 87\% and 89\% with a balanced sampling for both $z_{t}=3.0$ and $z_{t}=3.5$, respectively, representing a 9\% and 11\% increase in the sensitivity over Random Forest used alone. Overall, the best results are at $z_{t} = 3.5$, where the difference between the sensitivity of the training set and the test set is the smallest. This enhancement of the proposed method paves the way for new and intriguing follow-up observations of high$-z$ GRBs.

چکیده به فارسی (ترجمه ماشینی)

انفجارهای اشعه گاما (GRBS) پشت سر هم شدید و کوتاه مدت از اشعه اشعه گاما است که به دلیل درخشندگی آنها تا یک تغییر شکل بالا ($ z \ sim 10 $) مشاهده می شود.بنابراین ، آنها می توانند به عنوان ابزاری کیهان شناختی برای بررسی جهان اولیه خدمت کنند.با این حال ، ما به یک نمونه بزرگ از GRB های $ $ $ بالا نیاز داریم که در حال حاضر به دلیل مشکل در تأمین زمان در تلسکوپ های دیافراگم بزرگ محدود است.بنابراین ، تعیین سریع این است که آیا GRB $ Z $ $ یا کم $ -Z $ است ، که امکان انجام مشاهدات پیگیری سریع را دارد.تلاش های قبلی برای تمایز بین GRB های $-$ و کم $ -Z با استفاده از خواص GRB و یادگیری ماشین (ML) باعث حساسیت محدود شده است.در این مطالعه ، ما هدف ما بهبود این طبقه بندی با استفاده از یک روش ML گروه بر روی 251 GRBS با redshift های اندازه گیری شده و فلات مشاهده شده توسط رصدخانه Swift نیل Gehrels است.با استفاده از مرحله فلات با انتشار سریع ، ما از مجموعه ای از روش های طبقه بندی برای تقویت حساسیت بی سابقه استفاده کرده ایم.علاوه بر این ، ما اثربخشی روشهای مختلف طبقه بندی را با استفاده از آستانه های مختلف redshift ، $ z_ {آستانه} $ = $ z_t $ در $ z_ {t} = 2.0 $ ، 2.5 ، 3.0 و 3.5 بررسی می کنیم.ما با نمونه گیری متعادل برای هر دو $ z_ {t} = 3.0 $ و $ z_ {t} = 3.5 $ به حساسیت 87 \ ٪ و 89 \ ٪ دست می یابیم ، که نشان دهنده افزایش 9 \ ٪ و 11 \ \ \ \ \ \ \ \ \ \ \ \ \ \ درحساسیت نسبت به جنگل تصادفی به تنهایی استفاده می شود.به طور کلی ، بهترین نتایج در $ Z_ {t} = 3.5 $ است ، جایی که تفاوت بین حساسیت مجموعه آموزش و مجموعه آزمون کوچکترین است.این تقویت روش پیشنهادی راه را برای مشاهدات پیگیری جدید و جذاب از GRB های $ $ بالا $ هموار می کند.