ترجمه فارسی مقاله ساخت الگوهای طیفی و بازسازی پارامترها برای ابرنواخترهای فروپاشی هسته با CASTOR

چکیده

The future of time-domain optical astronomy relies on the development of techniques and software capable of handling a rising amount of data and gradually complementing, or replacing if necessary, real observations. Next generation surveys, like the Large Synoptic Survey Telescope (LSST), will open the door to the new era of optical astrophysics, creating, at the same time, a deficiency in spectroscopic data necessary to confirm the nature of each event and to fully recover the parametric space. In this framework, we developed Core collApse Supernovae parameTers estimatOR (CASTOR), a novel software for data analysis. CASTOR combines Gaussian Process and other Machine Learning techniques to build time-series templates of synthetic spectra and to estimate parameters of core collapse supernovae for which only multi-band photometry is available. Techniques to build templates are fully data driven and non-parametric through empirical and robust models, and rely on the direct comparison with a training set of 111 core collapse supernovae from the literature. Furthermore, CASTOR employees the real photometric data and the reconstructed synthetic spectra of an event to estimate parameters that belong to the supernova ejecta, to the stellar progenitor and to the event itself, in a rapid and user-friendly framework. In this work we provide a demonstration of how CASTOR works, studying available data from SN2015ap and comparing our results with those available in literature.

چکیده به فارسی (ترجمه ماشینی)

آینده نجوم نوری دامنه زمان متکی بر توسعه تکنیک ها و نرم افزاری است که قادر به رسیدگی به مقدار افزایش داده ها و تکمیل تدریجی یا در صورت لزوم ، مشاهدات واقعی است.نظرسنجی های نسل بعدی ، مانند تلسکوپ بزرگ بررسی سینوپتیک (LSST) ، در دوره جدید اخترفیزیک نوری باز خواهد شد و در عین حال کمبود داده های طیف سنجی لازم برای تأیید ماهیت هر رویداد و بازیابی کامل را ایجاد می کند.فضای پارامتری.در این چارچوب ، ما برآوردگر پارامترهای Supernovae Core Collapse (Castor) ، یک نرم افزار جدید برای تجزیه و تحلیل داده ها را توسعه دادیم.کرچک فرآیند گاوسی و سایر تکنیک های یادگیری ماشین را برای ساخت الگوهای سری زمانی از طیف های مصنوعی و برآورد پارامترهای Supernovae فروپاشی هسته که فقط فوتومتری چند باند در دسترس است ، ترکیب می کند.تکنیک های ساخت الگوها از طریق مدلهای تجربی و قوی کاملاً داده و غیر پارامتری هستند و به مقایسه مستقیم با یک مجموعه آموزشی از 111 Supernovae Core Conlapse از ادبیات متکی هستند.علاوه بر این ، کارکنان کاستور داده های فوتومتریک واقعی و طیفهای مصنوعی بازسازی شده یک رویداد برای برآورد پارامترهای متعلق به Supernova Ejecta ، به پیش ساز ستاره ای و خود این رویداد ، در یک چارچوب سریع و کاربر پسند.در این کار ما نمایشی از نحوه کار کرچک ، مطالعه داده های موجود از SN2015AP و مقایسه نتایج خود با نتایج موجود در ادبیات ارائه می دهیم.