⚛️ phenomenology

Generalized Linear Models of T $_{90}$ -T $_{50}$ relation to classify GRBs

本研究利用广义线性模型分析了 Fermi GBM 和 BATSE 星表中 $T_{90}$ - $T_{50}$ 的关系，揭示了暗示存在多于传统两类伽马射线暴的多个线性特征。

原作者： Sourav Dutta, Sunanda, Reetanjali Moharana, Manish Kumar

发布于 2026-09-01

📖 1 分钟阅读🧠 深度阅读

原作者： Sourav Dutta, Sunanda, Reetanjali Moharana, Manish Kumar

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在浩瀚、寂静的宇宙空间中，存在着一些如此剧烈的暴力时刻，它们能在转瞬之间掩盖整个星系的光芒。这些便是伽马射线暴，是科学已知能量最剧烈的爆炸。它们在天空中闪现，持续时间从不到一秒到几分钟不等。几十年来，天文学家一直试图理解这些宇宙闪光，并将它们进行分类，就像图书管理员整理书籍一样。最常见的分类方法是根据它们持续时间的长短。通过测量一次爆发释放其总能量 90% 所需的时间，科学家们传统上将这些事件分为两类截然不同的群体：持续时间少于两秒的短暴，以及持续时间更长的长暴。这种简单的划分似乎解释了数据，表明短暴源于微小、致密恒星的碰撞，而长暴则是质量巨大的坍缩恒星在临终前的挣扎。然而，宇宙很少像我们的初步猜测那样整齐划一，多年来，研究人员一直在思考，数据中是否隐藏着第三个类别，或者我们看到的这两个群体实际上只是一个更复杂家族中最显眼的组成部分。

来自印度理工学院焦特布尔分校的一个物理学家团队决定不仅仅观察闪烁的时长。他们意识到，如果你不仅测量一次爆发的总持续时间，还测量其释放一半能量所需的时间，那么这两个测量值应该是相关的。如果一次爆发很长，通常预期它达到能量中点也需要较长时间。研究人员不再仅仅统计有多少次爆发落在“短”或“长”的区间内，而是将这两个时间测量值之间的关系视为一条直线。他们从两个主要的卫星任务中收集了海量数据，其中一个卫星自 1991 年以来一直在观测天空，另一个则自 2008 年以来一直在记录事件。通过绘制数千次爆发中达到半能量时间与达到 90% 能量时间的关系图，他们使用一种复杂的统计工具来观察图上的点是形成了一条直线，还是聚集成了几条不同的线。

这项调查的结果挑战了简单的两类观点。当研究人员分析来自较旧卫星任务的数据时，统计模型暗示可能存在四个线性特征，指向存在不止两类伽马射线暴的可能性。当他们将同样的方法应用于更新、规模更大的数据集时，模型识别出了五个线性特征，同样指向存在不止两类伽马射线暴的可能性。这意味着伽马射线暴不仅仅是两种类型的混合，而可能由至少四个或五个不同的子组构成，每个子组都遵循其自身特定的时长与强度演化规则。研究还观察了爆发的“硬度”（即高能光相对于低能光的比例），发现这同样可能将爆发划分为多个组别，而非仅仅两类。

虽然通过查看爆发长度直方图的传统方法仍然显示出短事件和长事件之间的清晰分界，但这种新方法揭示了其下方更为复杂的结构。研究人员发现，某些爆发增加持续时间的速度比其他爆发要慢得多，从而形成了此前在仅观察时间时被隐藏的独特组别。证据表明，宇宙可能正在产生几种不同种类的这类爆炸，或许起源于我们尚未完全区分的不同类型的恒星碰撞或坍缩情景。该研究并未声称已经解开了每一个伽马射线暴之谜，但它提供了强有力的统计证据，证明这些宇宙事件的家族比简单的“长与短”分类所让我们相信的更加庞大且多样化。通过绘制这些关系图，该团队为理解宇宙中最强大的爆炸之真实多样性开启了一扇新的大门。

技术摘要：利用 T90-T50 关系的广义线性模型对 GRB 进行分类

问题陈述
伽马射线暴（GRB）传统上被分为两个截然不同的族群：短暴（SGRBs）和长暴（LGRBs），这是基于其持续时间参数 $T_{90}$ （收集到 90% 通量所需的时间）的双峰分布。虽然这种二元分类已得到广泛认可，并与不同的天体物理起源（紧凑星合并对应 SGRBs，超新星对应 LGRBs）相关联，但是否存在第三类或亚类一直是争论的焦点。以往利用高斯分布进行单变量和双变量分析的研究偶尔会提示存在第三类，但这些发现仍存在争议。此外，标准的分类方法通常依赖于单参数直方图，这可能会忽略多个观测参数（如持续时间 $T_{50}$ 、 $T_{90}$ 与光谱硬度比 HR）之间的线性依赖关系。

研究方法
作者分析了两个主要的 GRB 星表：Fermi GBM 星表（2008–2023 年间的 3,440 个事件）和 BATSE 4B 星表（1991–1996 年间的 1,637 个事件）。本研究采用了两种主要的机器学习和统计方法：

高斯混合模型 (GMM)： 首先用于验证 $T_{90}$ 和 $T_{50}$ 分布的双峰性。通过贝叶斯信息准则 (BIC) 确定最优组件数 ( $k$ )。该模型假设数据是 $k$ 个高斯分布的加权和。
广义线性模型 (GLM)： 为了研究参数之间的线性依赖关系，作者应用了 GLM 算法（具体为 R 语言中的 flexmix 包）。该方法将数据视为回归模型的有限混合。作者分析了三个参数空间：
- $T_{90}$ vs. $T_{50}$
- $T_{90}$ vs. HR
- $T_{50}$ vs. HR
  线性特征（类别）的数量通过最小化 BIC 来确定。为了消除类别分配中的随机性，针对每个参数空间，BIC 最小化过程均执行了 $10^5$ 次。

主要结果

单变量分析 (GMM)： Fermi GBM 和 BATSE 4B 数据集均证实了 $T_{90}$ 和 $T_{50}$ 分布中存在两个截然不同的族群。
- Fermi GBM： SGRBs ( $\mu \approx 0.965$ s) 和 LGRBs ( $\mu \approx 28.47$ s)。
- BATSE 4B： SGRBs ( $\mu \approx 0.57$ s) 和 LGRBs ( $\mu \approx 32.15$ s)。
  对于这些单参数分布，BIC 分析强烈支持两组件模型。
多变量线性分析 (GLM)： 对线性相关性的分析揭示了比单变量直方图更复杂的结构：
- $T_{90}$ vs. $T_{50}$ (Fermi GBM)： 虽然整体相关系数很高 ( $\rho = 0.96$ )，但 GLM 分析识别出了五个截然不同的线性特征（类别）。BIC 差异 ( $\Delta_4 = 10.8$ ) 为五组件模型提供了强有力的证据。拟合出的五个类别的斜率各不相同（分别为 0.95, 1.2, 1.18, 0.99 和 0.82）。
- $T_{90}$ vs. $T_{50}$ (BATSE 4B)： GLM 分析识别出了四个截然不同的线性特征 ( $\Delta_3 = 3.97$ )。
- 硬度比相关性： 关于 $T_{90}$ -HR 和 $T_{50}$ -HR 的结果在是否存在多个类别的判定上不太明确。Fermi GBM 数据表明 $T_{90}$ -HR 可能存在超过三个线性拟合，而 $T_{50}$ -HR 可能存在四个；相比之下，BATSE 4B 数据则表明两者都呈现双线性依赖关系。

意义与主张
本文声称，虽然在孤立考察单个参数（ $T_{90}$ 或 $T_{50}$ ）时，GRB 的传统双峰分类是成立的，但这些参数之间的关系更为微妙。通过在 $T_{90}$ - $T_{50}$ 平面上应用广义线性模型，本研究在 Fermi GBM 星表中识别出了五个线性特征，在 BATSE 星表中识别出了四个。

作者得出结论，这些线性特征指向了存在多于两类 GRB 的可能性。具体而言，GLM 技术能够对那些相对于 $T_{90}$ 表现出较慢 $T_{50}$ 增长速率的 GRB 事件进行分组，而这种区分是标准的直方图分类方法无法捕捉到的。研究表明，调查参数之间的线性依赖关系是确立除标准的“短/长”二分法之外是否存在亚类或额外 GRB 族群的一种稳健方法。

类似论文