斯坦福/北大/UCL/UC伯克利联手，利用CNN从81万类星体中精准识别7个罕见透镜样本
💡
原文中文，约6600字，阅读约需16分钟。
📝
内容提要
爱因斯坦的广义相对论表明，质量会弯曲时空，导致光线偏折。研究团队利用机器学习方法识别出7个高质量的类星体透镜候选体，扩展了样本，为黑洞与星系的共演化研究提供了新途径。
🎯
关键要点
- 爱因斯坦的广义相对论指出，质量会弯曲时空，导致光线偏折。
- 强引力透镜是研究宇宙大尺度结构和黑洞-星系共演化的重要工具。
- 研究团队利用机器学习方法识别出7个高质量的类星体透镜候选体，扩展了样本。
- 该研究开发了一套数据驱动的流程，利用卷积神经网络（CNN）识别类星体透镜。
- 研究结果为黑洞与星系的共演化研究提供了新途径，展示了数据驱动方法的潜力。
❓
延伸问答
研究团队如何利用机器学习识别类星体透镜？
研究团队开发了一套数据驱动的流程，利用卷积神经网络（CNN）在DESI DR1的光谱数据中识别类星体透镜。
强引力透镜在天文学研究中有什么重要性？
强引力透镜是研究宇宙大尺度结构和黑洞与星系共演化的重要工具，能够提供罕见的观测机会。
这项研究发现了多少个类星体透镜候选体？
研究团队识别出了7个高质量的类星体透镜候选体。
研究中使用的红移范围是什么？
该研究覆盖的红移范围为0.03 ≤ z ≤ 1.8。
卷积神经网络在这项研究中起到了什么作用？
卷积神经网络用于训练模型，以识别充当强引力透镜的类星体光谱特征。
这项研究对黑洞与星系的共演化研究有什么影响？
研究结果为黑洞与星系的共演化研究提供了新途径，能够通过直接质量测量来锚定尺度关系。
➡️
