基于HXMT伽马射线暴时域特征物理起源研究

Machine learning algorithms such as wavelet transform and artificial-neural-network will be used to extract the characteristics of gamma-ray burst light curves from HXMT satellite, as well as from other satellites such as Swift/Fermi and then try to answer the following hot topic about the physics of gamma-ray bursts: soft dark gamma-ray bursts; spectral lags in gamma-ray bursts and then gamma-ray burst cosmology; Identifying magnetar model of gamma-ray bursts from fireball model and then its corresponding magnetic properties.

本项目将采用小波变换和人工神经网络相结合的新方法对HXMT高质量伽马射线暴光变数据进行分析，再联合Swift/Fermi等伽马射线暴多波段数据分析开展伽马射线暴如下三个问题的研究：软暗伽马射线暴特征及其物理起源；伽马射线暴能谱延迟特征及其物理起源，谱延迟与光度相关性作为距离指示器及其宇宙学应用前景；甄别伽马射线暴磁星中心能源起源并限制磁星物理参数。

本项目紧跟目前伽马暴能源问题及其高能光子的加速机制等热点问题进行了研究，得到了一些有意义的研究结果，具体内容如下：.1) 对宇宙学起源的高能光子相对低能光子延迟到达的起源到底是洛伦兹破缺起源还是内禀谱演化起源进行仔细研究；2) 超长伽马暴和超亮超新星的能量可能来源于磁星；3) 伽马暴喷流洛伦兹因子在不同脉冲之间的演化特点进行了研究；4) 伽马暴早期瞬时辐射可能是外激波起源；5).基于同步辐射模型下，利用观测谱直接重构其对应的同步辐射电子谱的方法；6) 研究1.4TeV 附近的超成分信号可能的物理起源；7) 提出了搜寻并限制类轴子参数的另一种新方法。