文摘研究莱曼极限系统(Lyman limit systems,LLS)对于了解宇宙的大尺度结构、星系演化以及星系团内部气体分布具有重要意义.然而,由于LLS吸收特征的独特性,目前的研究主要采用传统方法,对柱密度在10^(19)cm^(-2)≤N(HI)<10^(20.3)cm^(-2)的小样本集上进行认证.本文利用深度学习技术,在暗能量光谱仪(The Dark Energy Spectroscopic Instrument,DESI)模拟光谱上,通过优化卷积神经网络(convolutional neural network,CNN)模型,提高了对LLS(10^(18.5)cm^(-2)≤N(HI)≤10^(20.0)cm^(-2))的识别精度(达到95%).随后,验证了该模型的完备度和纯度,并估计了LLS的柱密度和红移.结果显示:在S/N>6的情况下,当10^(19.0)cm^(-2)>N(HI)>1018.5cm^(-2)时,CNN模型的完备度超过0.5,而纯度也超过0.2;当10^(20.0)cm^(-2)>N(HI)>10^(19.0)cm^(-2)时,完备度超过0.9,而纯度超过0.7;当10^(20.0)cm^(-2)>N(HI)>10^(18.5)cm^(-2)时,CNN模型对LLS柱密度估计值与真实值的平均差值为-0.05161,标准差为0.239,对LLS红移估计值和真实值的平均差值为-0.0003,标准差为0.0009.这些结果表明:模型的完备度普遍高于纯度,尤其是在低柱密度的情况下,LLS在光谱中的吸收特征非常窄,极易与其他波段混淆,导致模型产生更多的FP(false positive)样本.此外,CNN模型对LLS的柱密度和红移的估计值略低于真实值,且估计误差的离散程度较小.本研究为未来的LLS研究提供了可参考的方法,鼓励研究人员适应并采用CNN模型进行各种光谱分析.
