Fugu-MT 論文翻訳(概要): Analyzing the Stability of Non-coplanar Circumbinary Planets using Machine Learning

論文の概要: Analyzing the Stability of Non-coplanar Circumbinary Planets using Machine Learning

arxiv url: http://arxiv.org/abs/2101.02316v1
Date: Thu, 7 Jan 2021 00:59:31 GMT
ステータス: 処理完了
システム内更新日: 2021-04-10 22:45:21.313475
Title: Analyzing the Stability of Non-coplanar Circumbinary Planets using Machine Learning
Title（参考訳）: 機械学習による非平面周囲惑星の安定性解析
Authors: Zhihui Kong, Jonathan H. Jiang, Zong-Hong Zhu, Kristen A. Fahy, Remo Burn
Abstract要約: 非平面円周系における外惑星の軌道安定性を数値シミュレーション法を用いて解析する。我々は、周囲惑星系の安定性を迅速に決定できる機械学習モデルを訓練する。その結果、惑星の大きな傾きは軌道の安定性を高める傾向がありますが、地球と木星の間の惑星の質量範囲の変化はシステムの安定性にはほとんど影響しません。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Exoplanet detection in the past decade by efforts including NASA's Kepler and TESS missions has discovered many worlds that differ substantially from planets in our own Solar system, including more than 400 exoplanets orbiting binary or multi-star systems. This not only broadens our understanding of the diversity of exoplanets, but also promotes our study of exoplanets in the complex binary and multi-star systems and provides motivation to explore their habitability. In this study, we analyze orbital stability of exoplanets in non-coplanar circumbinary systems using a numerical simulation method, with which a large number of circumbinary planet samples are generated in order to quantify the effects of various orbital parameters on orbital stability. We also train a machine learning model that can quickly determine the stability of the circumbinary planetary systems. Our results indicate that larger inclinations of the planet tend to increase the stability of its orbit, but change in the planet's mass range between Earth and Jupiter has little effect on the stability of the system. In addition, we find that Deep Neural Networks (DNNs) have higher accuracy and precision than other machine learning algorithms.
Abstract（参考訳）: 過去10年間、nasaのケプラーとtessのミッションによる太陽系外惑星の検出は、我々の太陽系の惑星とは大きく異なる多くの世界を発見してきた。これは太陽系外惑星の多様性に対する我々の理解を広げるだけでなく、複雑な二星系や多星系における太陽系外惑星の研究を促進し、その居住可能性を調査する動機を与えます。本研究では, 様々な軌道パラメータが軌道安定性に与える影響を定量化するために, 多数の周囲惑星試料を生成する数値シミュレーション法を用いて, 非平面系外惑星の軌道安定性を解析した。また、周囲惑星系の安定性を迅速に決定できる機械学習モデルを訓練する。以上の結果から、惑星の大きな傾斜は軌道の安定性を増加させる傾向があるが、地球と木星の間の質量範囲の変化は系の安定性にほとんど影響を与えないことが示唆された。さらに,深層ニューラルネットワーク(dnn)は他の機械学習アルゴリズムよりも精度と精度が高いことが判明した。

関連論文リスト

Exoplanets Prediction in Multi-Planetary Systems and Determining the Correlation Between the Parameters of Planets and Host Stars Using Artificial Intelligence [0.0]
我々は、少なくとも3つ以上の確認済みの惑星を収容する229個の多惑星系で、さらに太陽系外惑星を探索する。我々は効率的な機械学習手法を用いて、762個の太陽系外惑星と8個の太陽系外惑星からなるデータセットを解析した。巨大惑星では、惑星半径と主星の質量の間に強い相関関係が見られ、惑星形成と恒星の性質の関係に関する興味深い洞察を与えるかもしれない。
論文参考訳（メタデータ） (2024-02-27T21:28:08Z)
DBNets: A publicly available deep learning tool to measure the masses of young planets in dusty protoplanetary discs [49.1574468325115]
我々は、原始惑星系円盤から埋め込まれたとされる惑星の質量を素早く推定するDBNetsを開発した。アウト・オブ・ディストリビューション・データでツールを広範囲にテストしました。 DBNetはトレーニング範囲外において、特定のしきい値以上の不確実性を返す入力を強く識別することができる。光学的に薄い状態において、約60deg以下の傾斜で観測された円盤にのみ確実に適用することができる。
論文参考訳（メタデータ） (2024-02-19T19:00:09Z)
Deep-learning based measurement of planetary radial velocities in the presence of stellar variability [70.4007464488724]
我々は、HARPS-N Sun-as-a-star Spectraの3年間の恒星RVジッタを低減するためにニューラルネットワークを使用する。マルチラインCNNは、半振幅0.2m/s、50日間、振幅8.8%、周期0.7%の誤差で惑星を回復することができる。
論文参考訳（メタデータ） (2023-04-10T18:33:36Z)
Revisiting mass-radius relationships for exoplanet populations: a machine learning insight [0.0]
我々は効率的な機械学習手法を用いて、762個の太陽系外惑星と8個の太陽系外惑星からなるデータセットを解析した。異なる教師なしクラスタリングアルゴリズムを適用することで、データを「小さい」惑星と「巨大な」惑星の2つの分類に分類する。我々の分析は、惑星の質量、軌道周期、恒星質量が太陽系外惑星半径を予測する重要な役割を担っていることを強調している。
論文参考訳（メタデータ） (2023-01-17T19:15:06Z)
Predicting the Stability of Hierarchical Triple Systems with Convolutional Neural Networks [68.8204255655161]
本稿では,階層型三重項の安定性を予測する畳み込みニューラルネットワークモデルを提案する。すべてのトレーニングされたモデルは公開されており、純粋な$N$-bodyメソッドよりも200ドルの速さで階層的な3重システムの安定性を予測することができる。
論文参考訳（メタデータ） (2022-06-24T17:58:13Z)
Identifying Exoplanets with Machine Learning Methods: A Preliminary Study [1.553390835237685]
本研究では,太陽系外惑星の同定に機械学習を用いた手法を提案する。我々はケプラー宇宙観測所からNASAが収集したケプラーデータセットを用いて教師あり学習を行った。我々はまた、k平均クラスタリングを用いて、確認された外惑星を異なるクラスタに分割する教師なし学習も行った。
論文参考訳（メタデータ） (2022-04-01T23:48:26Z)
Analyzing the Habitable Zones of Circumbinary Planets Using Machine Learning [0.0]
本研究では、惑星軌道と動的に誘導される居住可能な領域に基づいて、周辺惑星の居住可能なゾーンについて検討する。その結果、2連星の質量比と軌道偏心性は、惑星系の軌道安定性と居住性に影響を与える重要な要因であることが示唆された。我々はこれらの惑星系を迅速かつ効率的に分類するために機械学習モデルを訓練する。
論文参考訳（メタデータ） (2021-09-17T19:36:12Z)
Towards Robust Monocular Visual Odometry for Flying Robots on Planetary Missions [49.79068659889639]
火星に着陸したばかりのIngenuityは、トラバーサビリティの影響を受けない新時代の探検の始まりとなるでしょう。高速な光フロートラッキングを用いた高能率単分子オードメトリーアルゴリズムを提案する。また、相対翻訳情報行列の主成分分析に基づいて、スケールドリフトの現在のリスクを推定する新しい手法を提案する。
論文参考訳（メタデータ） (2021-09-12T12:52:20Z)
On planetary systems as ordered sequences [7.216830424040808]
我々は、3277の惑星系における4286個のケプラー惑星の構成(または順序付け)にどのような情報が属するかを考える。我々は、主星の性質に基づいて、惑星の半径と周期を予測するためにニューラルネットワークモデルを訓練する。我々は、計算言語学において、教師なしの音声タグ付けに使用されるモデルを適用し、惑星や惑星系が、物理的に解釈可能な「文法規則」を持つ自然カテゴリーに該当するかどうかを調査する。
論文参考訳（メタデータ） (2021-05-20T18:00:29Z)
NeBula: Quest for Robotic Autonomy in Challenging Environments; TEAM CoSTAR at the DARPA Subterranean Challenge [105.27989489105865]
本稿では,TEAM CoSTARが開発したアルゴリズム,ハードウェア,ソフトウェアアーキテクチャについて述べる。 NeBula (Networked Belief-Aware Perceptual Autonomy) と呼ばれる当社の自律的ソリューションを紹介します。
論文参考訳（メタデータ） (2021-03-21T19:42:26Z)
Proposal for an optical interferometric measurement of the gravitational red-shift with satellite systems [52.77024349608834]
アインシュタイン等価原理(Einstein Equivalence Principle,EEP)は、重力のすべての計量理論を基盤とする。象徴的な重力赤方偏移実験は、2つのフェルミオン系(時計として使われる)を異なる重力ポテンシャルに配置する。衛星大距離光干渉測定実験の実装における基本的な点は、一階ドップラー効果の抑制である。本研究では,地上局と衛星の双方向構成において,一方向の位相シフトを減らして抑制する新しい手法を提案する。
論文参考訳（メタデータ） (2018-11-12T16:25:57Z)

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。