Makine Öğrenmesi ile Kuazarların Rüzgar Değişimlerinin Tahmini

Öz

Kuazarların %20’lik kısmında, merkezdeki süper kütleli karadeliğin etrafını çevreleyen yığılma diskinden dışa doğru madde akımlarının göstergesi olan Geniş Soğurma Çizgileri (GSÇ) gözlenmektedir. GSÇ şiddetlerinin zamana bağlı değişimi, rüzgar oluşum ve değişimine etki eden mekanizmaların anlaşılması için önemlidir. Bu çalışmada, optik/morötesi tayfında rüzgar yapısı olduğu belirlenmiş kuazarların ölçülen geniş soğurma çizgisi parametreleri makine öğrenmesi metotlarıyla sınıflandırılarak modellenmiş ve en iyi doğruluk değerini Linear Discriminant yönteminin verdiği görülmüştür. Oluşturulan en duyarlı modelin bile, rüzgarın değişim gösterip gösteremeyeceğini tahmin etmek için yeterli olmadığı görülmüştür. Bu sonuç, değişime sebep olan ana mekanizmaların rüzgarla taşınan soğurucu gazın iç özellikleri ile önemli bir bağıntısı olmadığını işaret etmektedir.

Anahtar Kelimeler

• Galaxeis: active
• Galaxies: quasars: absorption lines
• methods: data analysis

Quasar Wind Variabilty Prediction with Machine Learning Methods

Abstract

Approximately 20% of the quasars exhibit the Broad Absorption Lines (BALs) as a tracer of the outflows from the accretion disk of the central supermassive black holes. The time dependent variability of the BALs caries important information to understand the formation and evolution of the quasar winds. In this study, using a sample of BALs that have at least two epoch spectra, we develop a model to predict the variability of the winds based on the BAL parameters measured form their first epoch observation. We compare a few machine learning methods from which the Linear Discriminant method results the best accuracy. Even the most accurate method produces insufficient models to predict the BAL variability from the BAL parameters measured from the first epoch. This suggests that the internal properties of the absorbing gas carried by the outflows have, if any, a weak connection with the variations of BALs.

Keywords

• Galaxeis: active
• Galaxies: quasars: absorption lines
• methods: data analysis

References

1. Allen J. T., Hewett P. C., Maddox N., Richards G. T., Belokurov V., 2011, MNRAS, 410, 860
2. Arav N., Becker R. H., Laurent-Muehleisen S. A., Gregg M. D., White R. L., Brotherton M. S., de Kool M., 1999, ApJ, 524, 566
3. Borguet B. C. J., Arav N., Edmonds D., Chamberlain C., Benn C., 2013, ApJ, 762, 49
4. Capellupo D. M., Hamann F., Shields J. C., Rodríguez Hidalgo P., Barlow T. A., 2011, MNRAS, 413, 908
5. Feigelson E. D., Babu G. J., 2012, Modern Statistical Methods for Astronomy: With R Applications. Cambridge University Press, doi:10.1017/CBO9781139015653
6. Filiz Ak N., ve diğ., 2012, ApJ, 757, 114
7. Filiz Ak N., ve diğ., 2013, ApJ, 777, 168
8. Filiz Ak N., ve diğ., 2014, ApJ, 791, 88

9. Gibson R. R., ve diğ., 2009, ApJ, 692, 758
10. Hamann F. W., Netzer H., Shields J. C., 2000, ApJ, 536, 101
11. Ivezić Ž., Connolly A. J., VanderPlas J. T., Gray A., 2014, Statistics, Data Mining, and Machine Learning in Astronomy: A Practical Python Guide for the Analysis of Survey Data. Princeton University Press, doi:10.1515/9781400848911
12. Lyke B. W., ve diğ., 2020, ApJS, 250, 8
13. Rogerson J. A., Hall P. B., Rodríguez Hidalgo P., Pirkola P., Brandt W. N., Filiz Ak N., 2016, MNRAS, 457, 405
14. Rogerson J. A., Hall P. B., Ahmed N. S., Rodríguez Hidalgo P., Brandt W. N., Filiz Ak N., 2018, ApJ, 862, 22
15. du Buisson L., Sivanandam N., Bassett B. A., Smith M., 2015, MNRAS, 454, 2026