CLASSIFICATION OF JETS INACTIVE GALACTIC NUCLEI USING MACHINE LEARNING
Секция: АСТРОФИЗИКА ВЫСОКИХ ЭНЕРГИЙ
Авторы:
1.
Moscow Institute of Physics and Technology
2.
Astro Space Center of P. N. Lebedev Physical Institute of the Russian Academy of Sciences
Institute of Physics, Pontifical Catholic University of Valparaiso
Institute of Physics, Pontifical Catholic University of Valparaiso
Тип:
Статья конференции
Опубликовано:
27.12.2024
Классификаторы:
УДК 52 Астрономия. Геодезия
УДК 53 Физика
УДК 520 Инструменты, приборы и методы астрономических наблюдений, измерений и анализа
УДК 521 Теоретическая астрономия. Небесная механика. Фундаментальная астрономия. Теория динамической и позиционной астрономии
УДК 523 Солнечная система
УДК 524 Звезды и звездные системы. Вселенная Солнце и Солнечная система
УДК 52-1 Метод изучения
УДК 52-6 Излучение и связанные с ним процессы
ГРНТИ 41.00 АСТРОНОМИЯ
ГРНТИ 29.35 Радиофизика. Физические основы электроники
ГРНТИ 29.31 Оптика
ГРНТИ 29.33 Лазерная физика
ГРНТИ 29.27 Физика плазмы
ГРНТИ 29.05 Физика элементарных частиц. Теория полей. Физика высоких энергий
ОКСО 03.06.01 Физика и астрономия
ОКСО 03.05.01 Астрономия
ОКСО 03.04.03 Радиофизика
ББК 2 ЕСТЕСТВЕННЫЕ НАУКИ
ББК 223 Физика
ТБК 614 Астрономия
ТБК 6135 Оптика
BISAC SCI004000 Astronomy
BISAC SCI005000 Physics / Astrophysics
УДК 53 Физика
УДК 520 Инструменты, приборы и методы астрономических наблюдений, измерений и анализа
УДК 521 Теоретическая астрономия. Небесная механика. Фундаментальная астрономия. Теория динамической и позиционной астрономии
УДК 523 Солнечная система
УДК 524 Звезды и звездные системы. Вселенная Солнце и Солнечная система
УДК 52-1 Метод изучения
УДК 52-6 Излучение и связанные с ним процессы
ГРНТИ 41.00 АСТРОНОМИЯ
ГРНТИ 29.35 Радиофизика. Физические основы электроники
ГРНТИ 29.31 Оптика
ГРНТИ 29.33 Лазерная физика
ГРНТИ 29.27 Физика плазмы
ГРНТИ 29.05 Физика элементарных частиц. Теория полей. Физика высоких энергий
ОКСО 03.06.01 Физика и астрономия
ОКСО 03.05.01 Астрономия
ОКСО 03.04.03 Радиофизика
ББК 2 ЕСТЕСТВЕННЫЕ НАУКИ
ББК 223 Физика
ТБК 614 Астрономия
ТБК 6135 Оптика
BISAC SCI004000 Astronomy
BISAC SCI005000 Physics / Astrophysics
Язык материала:
английский
Ключевые слова:
galaxies: active; quasars: general; techniques: high angular resolution; methods: machine learning
Аннотация (русский):
This work explores the application of machine learning techniques to classifying jetted active galactic nuclei (AGN) based on Very-Long-Baseline Interferometry (VLBI) observations at frequencies 1-90 GHz. Building upon previous work by Fanaroff and Riley, who classified relativistic jets in radio galaxies on kiloparsec scales, we extend this classification to parsec scales, closer to the central supermassive black hole. This approach enables detailed study of jet spatial structures and can help enhancing accuracy in global positioning systems. We define four morphological classes: single Gaussian source, double Gaussian source, and sources with single or double-sided jets. Synthetic models of AGN jets were generated to create a training dataset for a convolutional neural network (CNN). The CNN was trained on these synthetic data and subsequently applied to classify 130 thousand AGN jet images from the Astrogeo database. The distribution of images into designated classes, predicted by CNN, qualitatively matches the expected outcome.
This work explores the application of machine learning techniques to classifying jetted active galactic nuclei (AGN) based on Very-Long-Baseline Interferometry (VLBI) observations at frequencies 1-90 GHz. Building upon previous work by Fanaroff and Riley, who classified relativistic jets in radio galaxies on kiloparsec scales, we extend this classification to parsec scales, closer to the central supermassive black hole. This approach enables detailed study of jet spatial structures and can help enhancing accuracy in global positioning systems. We define four morphological classes: single Gaussian source, double Gaussian source, and sources with single or double-sided jets. Synthetic models of AGN jets were generated to create a training dataset for a convolutional neural network (CNN). The CNN was trained on these synthetic data and subsequently applied to classify 130 thousand AGN jet images from the Astrogeo database. The distribution of images into designated classes, predicted by CNN, qualitatively matches the expected outcome.
Ключевые слова:
galaxies: active; quasars: general; techniques: high angular resolution; methods: machine learning
galaxies: active; quasars: general; techniques: high angular resolution; methods: machine learning
1. Blandford R., Meier D., and Readhead A., 2019, Annu. Rev. Astron. Astrophys, 57, p. 467
2. Fanaroff B. and Riley J., 1974, MNRAS, 167, p. 31P
3. Forgy E., 1965, Biometrics, 21, p. 768
4. Lacy M., Baum S., Chandler C., et al. , 2020, PASP, 132, id. 035001
5. LeCun Y., Boser B., Denker J., et al. , 1989, Neural Comput., 1, p. 541
6. Lister M., Aller M., Aller H., et al. , 2018, ApJ Supp. Serires, 234, p. 12
7. Lloyd S., 1982, IEEE Trans. Inf. Theory, 28, p. 129
8. Petrov L., 2016, The 13th EVN Symposium and Users Meeting Proceedings, arXiv:1610.04951
9. Petrov L. 2021, AJ, 161, p. 14
