深度学习从费米未认证源中筛出202个脉冲星候选体

费米大面积望远镜第四版源目录的第四次增量版本使用约14年的数据，覆盖约5000万至1万亿电子伏的伽马射线。论文列出的目录共有7195个源，其中约33.7%尚未与其他波段的已知天体可靠关联。未关联源可能包含脉冲星，但在发现稳定周期之前，目录中的能谱和时间变化只能用于筛选。

研究团队构建了一个两阶段分类流程。第一阶段区分活动星系核与脉冲星，第二阶段再把脉冲星分为年轻脉冲星和毫秒脉冲星。训练样本包括3941个活动星系核和320个脉冲星，后者由141个年轻脉冲星及179个毫秒脉冲星组成，类别数量存在明显不平衡。

模型采用一维卷积与残差结构，保留相邻能段之间的顺序关系。对目录中缺失值或上限值，团队使用独立通道加以标记，避免把“没有可靠测量”直接当作真实的低通量；训练时采用代价敏感损失处理样本不平衡，没有用合成过采样人为增加少数类别。

作者还刻意不把银道坐标输入模型，以减少模型仅凭天体位于银河平面附近就判定为脉冲星的风险。解释性分析则用于查看哪些能段和变化特征推动了分类。这样做不能消除所有选择效应，但能避免最直接的位置偏差被当成物理识别能力。

论文报告，第一阶段分类准确率约96.7%，对脉冲星的精确率为0.95、召回率约0.8906；第二阶段区分年轻与毫秒脉冲星的准确率约81.4%。这些指标来自已有标签样本的检验，并不意味着在完全未知源上也有同样比例的最终确认率。

随后，团队采用较严格的概率阈值，把模型应用到2563个未关联源。结果给出1136个活动星系核候选体和202个高置信度脉冲星候选体；后者包括166个年轻脉冲星候选体与36个毫秒脉冲星候选体。论文还检查了空间分布：年轻候选体更集中在低银纬，毫秒候选体分布较宽，活动星系核候选体更接近各向同性。

作为独立核对，模型成功找回5个后来由FAST确认的脉冲星。这个结果说明模型确实能把已知但未参与原始目录关联的目标排到优先位置，但5个目标的样本不足以证明全部202个候选体都正确。目录特征相似的其他伽马射线源仍可能造成误分类。

因此，“筛出202个候选体”不能改写成“发现202颗脉冲星”。确认通常需要射电、X射线或伽马射线计时观测找到稳定的周期信号，并排除其他源类。该工作的直接价值是把后续搜索范围缩小，让望远镜优先检查模型给出高概率的目标，同时用真实确认结果继续检验分类偏差。