論文の概要: Machine Learning for automatic identification of new minor species
- arxiv url: http://arxiv.org/abs/2012.08175v1
- Date: Tue, 15 Dec 2020 09:51:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-07 05:07:05.257395
- Title: Machine Learning for automatic identification of new minor species
- Title（参考訳）: 新しい小種の自動識別のための機械学習
- Authors: Frederic Schmidt, Guillaume Cruz Mermy, Justin Erwin, Severine Robert,
Lori Neary, Ian R. Thomas, Frank Daerden, Bojan Ristic, Manish R. Patel,
Giancarlo Bellucci, Jose-Juan Lopez-Moreno, Ann-Carine Vandaele
- Abstract要約: 未監視の機械学習に基づく新しい手法を提案し,新しい小種を自動的に検出する。
我々は,データ量スペクトルと源スペクトルの線形混合により,データセットの非線形性を近似する。
私たちのアプローチでは、ノイズレベルの1.5倍の104ドルから100ドルの隠されたスペクトルで存在する化合物を検出できます。
- 参考スコア（独自算出の注目度）: 1.617647375371818
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the main difficulties to analyze modern spectroscopic datasets is due
to the large amount of data. For example, in atmospheric transmittance
spectroscopy, the solar occultation channel (SO) of the NOMAD instrument
onboard the ESA ExoMars2016 satellite called Trace Gas Orbiter (TGO) had
produced $\sim$10 millions of spectra in 20000 acquisition sequences since the
beginning of the mission in April 2018 until 15 January 2020. Other datasets
are even larger with $\sim$billions of spectra for OMEGA onboard Mars Express
or CRISM onboard Mars Reconnaissance Orbiter. Usually, new lines are discovered
after a long iterative process of model fitting and manual residual analysis.
Here we propose a new method based on unsupervised machine learning, to
automatically detect new minor species. Although precise quantification is out
of scope, this tool can also be used to quickly summarize the dataset, by
giving few endmembers ("source") and their abundances. We approximate the
dataset non-linearity by a linear mixture of abundance and source spectra
(endmembers). We used unsupervised source separation in form of non-negative
matrix factorization to estimate those quantities. Several methods are tested
on synthetic and simulation data. Our approach is dedicated to detect minor
species spectra rather than precisely quantifying them. On synthetic example,
this approach is able to detect chemical compounds present in form of 100
hidden spectra out of $10^4$, at 1.5 times the noise level. Results on
simulated spectra of NOMAD-SO targeting CH$_{4}$ show that detection limits
goes in the range of 100-500 ppt in favorable conditions. Results on real
martian data from NOMAD-SO show that CO$_{2}$ and H$_{2}$O are present, as
expected, but CH$_{4}$ is absent. Nevertheless, we confirm a set of new
unexpected lines in the database, attributed by ACS instrument Team to the
CO$_{2}$ magnetic dipole.
- Abstract（参考訳）: 現代の分光データを分析するのが難しいのは、大量のデータがあるためである。
例えば、大気透過分光法では、ESA ExoMars2016衛星(TGO)に搭載されたNOMADの太陽観測チャネル(SO)が、2018年4月のミッション開始から2020年1月15日までの20000の取得シーケンスで1000万米ドルのスペクトルを生成していた。
他のデータセットはさらに大きく、Mars Express搭載のOMEGAやMars Reconnaissance Orbiter搭載のCRISMには$$\sim$billionsのスペクトルがある。
通常、新しい線は、モデルフィッティングと手動残留分析の長い反復過程を経て発見される。
本稿では、教師なし機械学習に基づく新しい手法を提案し、新しいマイナーな種を自動的に検出する。
正確な定量化はスコープ外であるが、このツールは、少数のエンドメンバー(ソース)とその存在量を与えることによって、データセットをすばやく要約するためにも使用できる。
データセットの非線形性は、豊富なスペクトルとソーススペクトル(終端スペクトル)の線形混合により近似する。
非教師付きソース分離を非負行列分解法を用いて推定した。
合成およびシミュレーションデータに対していくつかの方法が試験された。
我々のアプローチは、それらを正確に定量化するのではなく、小さな種のスペクトルを検出することである。
合成例では、この手法はノイズレベルの1.5倍の10^4$から100の隠されたスペクトルの形で存在する化合物を検出できる。
CH$_{4}$をターゲットとしたNOMAD-SOのシミュレーションスペクトルの結果,検出限界は100-500pptの範囲で良好な条件で進行することが示された。
NOMAD-SO の実際の火星データは、予想通り CO$_{2}$ と H$_{2}$O が存在することを示しているが、CH$_{4}$ は存在しない。
それでも我々はacsインスツルメンツチームによるデータベース内の予期せぬ新しい線の集合を co$_{2}$ の磁気双極子で確認する。
関連論文リスト
- Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。
本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
論文 参考訳（メタデータ） (2024-07-12T18:00:02Z) - Machine Learning for Exoplanet Detection in High-Contrast Spectroscopy: Revealing Exoplanets by Leveraging Hidden Molecular Signatures in Cross-Correlated Spectra with Convolutional Neural Networks [0.0]
分光の相互相関は、惑星のスペクトルを主星から分離するために分子テンプレートを用いる。
我々は、相互相関分光(MLCCS)のための機械学習を導入する。
この手法は、大気中の特定の分子の存在など、外惑星の特徴付けに関する弱い仮定を活用し、外惑星の検出感度を向上させることを目的としている。
論文 参考訳（メタデータ） (2024-05-22T09:25:58Z) - Extracting the gamma-ray source-count distribution below the Fermi-LAT detection limit with deep learning [44.99833362998488]
合成2次元スカイマップ上で畳み込みニューラルネットワークを訓練し,Fermi-LATインスツルメンタル応答関数を組み込む。
トレーニングされたニューラルネットワークはFermi-LATデータに適用され、そこからソースカウント分布をFermi-LATしきい値以下50のフラックスレベルまで推定する。
論文 参考訳（メタデータ） (2023-02-03T19:00:51Z) - Unsupervised Spectral Unmixing For Telluric Correction Using A Neural
Network Autoencoder [58.720142291102135]
本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
論文 参考訳（メタデータ） (2021-11-17T12:54:48Z) - Primordial non-Gaussianity from the Completed SDSS-IV extended Baryon
Oscillation Spectroscopic Survey I: Catalogue Preparation and Systematic
Mitigation [3.2855185490071444]
最近完了したバリオン振動分光サーベイ(eBOSS)による最終分光試料の大規模クラスタリングについて検討する。
フォローアップ分光のターゲットを選択するために使用される画像データの品質の空間的変動に起因する密度場の急激なゆらぎを軽減するニューラルネットワークベースのアプローチを開発した。
論文 参考訳（メタデータ） (2021-06-25T16:01:19Z) - AGNet: Weighing Black Holes with Machine Learning [2.598391092244943]
超大質量ブラックホール(SMBHs)は、ほとんどの銀河の中心に自在に存在する。
従来の手法では、収集に費用がかかるスペクトルデータが必要である。
準光時間系列を用いたSMBHの重み付けアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-30T18:30:24Z) - DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts
using Deep Learning [70.80563014913676]
本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。
我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
論文 参考訳（メタデータ） (2020-11-24T22:51:08Z) - Linear-Sample Learning of Low-Rank Distributions [56.59844655107251]
ktimes k$, rank-r$, matrices to normalized $L_1$ distance requires $Omega(frackrepsilon2)$ sample。
我々は、$cal O(frackrepsilon2log2fracepsilon)$ sample, a number linear in the high dimension, and almost linear in the matrices, usually low, rank proofs.というアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-09-30T19:10:32Z) - Deep learning for gravitational-wave data analysis: A resampling
white-box approach [62.997667081978825]
我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。
CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
論文 参考訳（メタデータ） (2020-09-09T03:28:57Z) - Cycle-StarNet: Bridging the gap between theory and data by leveraging
large datasets [0.0]
現在のスペクトル分析の自動化手法は、(a)データ駆動であり、恒星パラメータと元素の存在量の事前の知識を必要とするか、(b)理論と実践のギャップに影響を受けやすい理論合成モデルに基づくかのいずれかである。
本研究では、シミュレーションされた恒星スペクトルを、教師なし学習を大規模分光サーベイに適用することにより、現実的なスペクトルに変換するハイブリッドな生成領域適応法を提案する。
論文 参考訳（メタデータ） (2020-07-06T23:06:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。