Analisys of variability of active galactic nuclei by combined aplication of self-organizing maps and nerual procesess

[I. Čvorović Hajdinjak]

168 listova

Astronomija i astrofizika - Aktivna galaktična jezgra / Astronomy and astrophysics - Active Galactic Nulei

Ova doktorska disertacija bavi se razvojem i primenom naprednih metoda za analizu vremenske promenljivosti aktivnih galaktičkih jezgara (AGJ) kroz modelovanje njihovih optičkih krivih sjaja. Disertacija kombinuje tehnike nenadgledanog i generativnog učenja, koristeći samoorganizujuće mape (SOM) za preprocesiranje podataka i uslovne neuronske procese za predviđanje krivih sjaja. Po prvi put u analizi krivih sjaja AGJ implementirano je klasterovanje putem SOM metode za preprocesiranje, kao i primena neuronskih procesa za modelovanje stohastičke promenljivosti u optičkom domenu. Ovaj inovativni pristup omogućava efikasnije modelovanje strukture krivih sjaja sa neravnomernim uzorkovanjem i nedostajućim posmatranjima. Razvijen je programski paket QNPy, optimizovan za masovno paralelno procesiranje velikih vremenskih serija. Metodologija je testirana na krivama sjaja iz All-Sky Automated Survey for SuperNovae (ASAS-SN) i SWIFT/BAT misije, koje obuhvataju širok spektar vremenskih skala i promenljivosti. Analiza rezultata pokazuje da klasterovanje krivih sjaja SOM metodom omogućava unapređenje performansi neuronskih procesa, posebno za objekte sa jednostavnijim obrascima promenljivosti. Ispitani su uticaji hiperparametara SOM metode na kvalitet klasterovanja i performanse predikcije. Modeli su validirani kvantitativnim merenjima funkcije greške i srednje kvadratne greške na stvarnim posmatračkim podacima. Predloženi metodološki okvir demonstrira potencijal za skalabilnu obradu velikih vremenskih serija koje će biti generisane projektima kao što je Vera C. Rubin Observatory Legacy Survey of Space and Time (LSST), omogućavajući automatizovanu klasifikaciju, detekciju anomalija i izdvajanje naučno značajnih objekata iz kataloga sa stotinama miliona izvora.

This doctoral dissertation addresses the development and application of advanced methods for analyzing the temporal variability of active galactic nuclei (AGN) through the modeling of their optical light curves. The research integrates unsupervised and generative learning techniques, by combining Self-Organizing Maps (SOM) for data preprocessing and Conditional Neural Processes (CNP) for light curve prediction. For the first time in the study of AGN light curves, clustering via SOM has been implemented for preprocessing, alongside the application of CNP for modeling variability. This innovative approach facilitates a more effective modeling of light curves characterized by uneven sampling and missing observations. The QNPy software package was developed and optimized for large-scale parallel processing of extensive time series data. The proposed methodology was validated using light curves from the All-Sky Automated Survey for SuperNovae (ASAS-SN) and the SWIFT/BAT mission, covering a broad range of time scales and variability. The analysis prove that clustering light curves with SOM enhances the performance of neural process, particularly for objects exhibiting simpler variability patterns. The effects of SOM hyperparameters on clustering and prediction performance were carefully examined. The models were validated using loss function and mean squared error evaluations on real data. The proposed methodology shows strong potential for scalable processing of the large time-series data, anticipated in upcoming projects such as the Vera C. Rubin Observatory’s Legacy Survey of Space and Time, enabling automated classification, anomaly detection, and the extraction of scientifically significant objects from catalogs containing hundreds of millions of sources.

Aktivna galaktička jezgra, krive sjaja, neuronski procesi, samoorganizujućih mape

Active Galactic Nulei, light curves, Neural processes, Self-Organizing Map

524.64(043.3)

Tekst