Multi-class classification and population studies of unassociated Fermi-LAT gamma-ray sources with machine learning (MA 8279/3-1)

Etwa ein Drittel der mit dem Fermi Large Area Telescope (LAT) entdeckten Gammastrahlenquellen sind nicht mit einem bekannten astrophysikalischen Objekt assoziiert. Das Hauptziel dieses Antrages ist es, die Eigenschaften dieser rätselhaften Gammastrahlenquellen mit Hilfe einer Multi-Klassen-Klassifizierung mit maschinellem Lernen (ML) zu untersuchen. In der Vergangenheit wurden ML-Algorithmen verwendet, um die Einteilung von nicht-assoziierten Gammastrahlenquellen in 2 oder 3 Klassen durchzuführen, was zu wenig ist, um die reiche Vielfalt der verschiedenen Quellenklassen in den Fermi-LAT-Daten zu erfassen. Wir schlagen daher vor, einen Rahmen zu entwickeln, der den Weg für eine Multi-Klassen-Klassifizierung von Gammastrahlenquellen in mehr als 3 Klassen ebnet. Der vorgeschlagene Antrag besteht aus mehreren Teilen:
(1) Entwicklung eines Verfahrens zur Mehrklassen-Klassifizierung unter Verwendung einer hierarchischen Definition der Klassen. Dies ermöglicht es uns, die minimale Grösse der in der Klassifizierung verwendeten Klassen zu kontrollieren und die Leistung der Klassifizierung mit einer unterschiedlichen Anzahl von Klassen zu vergleichen.
(2) Bereichsanpassung für nicht assoziierte Quellen. Beim Training und der Klassifizierungsbewertung wird davon ausgegangen, dass die Verteilungen der Stichproben in den Trainings- und Zielmengen identisch sind, was bei assoziierten und nicht-assoziierten Gammastrahlenquellen nicht der Fall ist. Hier werden wir die Mehrklassen-Klassifizierungsmethode anpassen und ihre Qualität realistisch einschätzen, indem wir die Unterschiede in den Verteilungen der assoziierten und nicht-assoziierten Quellen berücksichtigen. Als Ergebnis der ersten beiden Teile werden wir eine probabilistische Klassifizierung von Fermi-LAT-Gammastrahlenquellen erstellen.
(3) Probabilistische Populationsstudien von nicht-assoziierten Quellen. Wir werden die Verteilung verschiedener Klassen von Quellen, einschliesslich der nicht-assoziierten Quellen, als Funktion von Quellenparametern, wie der Position am Himmel, bestimmen. Insbesondere werden wir die Erwartungen für die Pulsar-Erklärung des 3 GeV-Überschusses an Gammastrahlung in der Nähe des galaktischen Zentrums mit der Verteilung der Pulsar-Kandidaten in der Nähe des galaktischen Zentrums vergleichen. Wir werden auch nach neuen Klassen von Gammastrahlenquellen suchen (wie z.B. Halos aus dunkler Materie), indem wir nach neuen Komponenten in den Verteilungen der Quellen suchen.
(4) Wahrscheinliche Assoziation von Quellen mit Hilfe von Bayesschen und ML-Methoden. Ein detaillierterer Einblick in die Natur der nicht-assoziierten Quellen wird durch die Untersuchung der wahrscheinlichen Assoziation der Quellen mit Hilfe von Bayesschen und ML-Methoden gewonnen. Wir werden mehrere Quellenparameter zusätzlich zum Standort am Himmel berücksichtigen, um die Assoziation von Quellen im Vergleich zu Methoden zu verbessern, die nur die räumliche Übereinstimmung von Quellen verwenden.