当前位置：
X-MOL 学术
›
Astron. Astrophys.
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
Semi-supervised rotation measure deconvolution and its application to MeerKAT observations of galaxy clusters
Astronomy & Astrophysics ( IF 5.4 ) Pub Date : 2024-12-17 , DOI: 10.1051/0004-6361/202451265 V. Gustafsson, M. Brüggen, T. Enßlin
Astronomy & Astrophysics ( IF 5.4 ) Pub Date : 2024-12-17 , DOI: 10.1051/0004-6361/202451265 V. Gustafsson, M. Brüggen, T. Enßlin
Context. Faraday rotation contains information about the magnetic field structure along the line of sight and is an important instrument in the study of cosmic magnetism. Traditional Faraday spectrum deconvolution methods such as RMCLEAN face challenges in resolving complex Faraday dispersion functions and handling large datasets.Aims. We developed a deep learning deconvolution model to enhance the accuracy and efficiency of extracting Faraday rotation measures from radio astronomical data, specifically targeting data from the MeerKAT Galaxy Cluster Legacy Survey (MGCLS).Methods. We used semi-supervised learning, where the model simultaneously recreates the data and minimizes the difference between the output and the true signal of synthetic data. Performance comparisons with RMCLEAN were conducted on simulated as well as real data for the galaxy cluster Abell 3376.Results. Our semi-supervised model is able to recover the Faraday dispersion for extended rotation measure (RM) components, while accounting for bandwidth depolarization, resulting in a higher sensitivity for high-RM signals, given the spectral configuration of MGCLS. Applied to observations of Abell 3376, we find detailed magnetic field structures in the radio relics, and several active galactic nuclei. We also applied our model to MeerKAT data of Abell 85, Abell 168, Abell 194, Abell 3186, and Abell 3667.Conclusions. We have demonstrated the potential of deep learning for improving RM synthesis deconvolution, providing accurate reconstructions at a high computational efficiency. In addition to validating our data against existing polarization maps, we find new and refined features in diffuse sources imaged with MeerKAT.
中文翻译：
半监督旋转测量反卷积及其在星系团MeerKAT观测中的应用
上下文。法拉第旋转包含有关沿视线的磁场结构的信息，是研究宇宙磁学的重要工具。传统的法拉第谱反卷积方法（如 RMCLEAN）在解析复杂的法拉第色散函数和处理大型数据集方面面临挑战。目标。我们开发了一个深度学习反卷积模型，以提高从射电天文数据中提取法拉第旋转测量值的准确性和效率，特别是针对来自 MeerKAT 星系团遗留巡天 （MGCLS） 的数据。方法。我们使用了半监督学习，其中模型同时重新创建数据并最小化合成数据的输出和真实信号之间的差异。对星系团 Abell 3376 的模拟和真实数据进行了与 RMCLEAN 的性能比较。考虑到 MGCLS 的光谱配置，我们的半监督模型能够恢复扩展旋转测量 （RM） 分量的法拉第色散，同时考虑带宽去极化，从而对高 RM 信号产生更高的灵敏度。应用于对 Abell 3376 的观测，我们在射电遗迹中发现了详细的磁场结构和几个活跃的星系核。我们还将我们的模型应用于 Abell 85、Abell 168、Abell 194、Abell 3186 和 Abell 3667 的 MeerKAT 数据。我们已经证明了深度学习在改进 RM 综合反卷积方面的潜力，以高计算效率提供准确的重建。除了根据现有的偏振图验证我们的数据外，我们还在使用 MeerKAT 成像的漫射源中发现了新的和改进的特征。
更新日期：2024-12-18
中文翻译：
半监督旋转测量反卷积及其在星系团MeerKAT观测中的应用
上下文。法拉第旋转包含有关沿视线的磁场结构的信息，是研究宇宙磁学的重要工具。传统的法拉第谱反卷积方法（如 RMCLEAN）在解析复杂的法拉第色散函数和处理大型数据集方面面临挑战。目标。我们开发了一个深度学习反卷积模型，以提高从射电天文数据中提取法拉第旋转测量值的准确性和效率，特别是针对来自 MeerKAT 星系团遗留巡天 （MGCLS） 的数据。方法。我们使用了半监督学习，其中模型同时重新创建数据并最小化合成数据的输出和真实信号之间的差异。对星系团 Abell 3376 的模拟和真实数据进行了与 RMCLEAN 的性能比较。考虑到 MGCLS 的光谱配置，我们的半监督模型能够恢复扩展旋转测量 （RM） 分量的法拉第色散，同时考虑带宽去极化，从而对高 RM 信号产生更高的灵敏度。应用于对 Abell 3376 的观测，我们在射电遗迹中发现了详细的磁场结构和几个活跃的星系核。我们还将我们的模型应用于 Abell 85、Abell 168、Abell 194、Abell 3186 和 Abell 3667 的 MeerKAT 数据。我们已经证明了深度学习在改进 RM 综合反卷积方面的潜力，以高计算效率提供准确的重建。除了根据现有的偏振图验证我们的数据外，我们还在使用 MeerKAT 成像的漫射源中发现了新的和改进的特征。
京公网安备 11010802027423号