論文の概要: Identifying Planetary Transit Candidates in TESS Full-Frame Image Light Curves via Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2101.10919v1
• Date: Tue, 26 Jan 2021 16:40:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-13 19:34:10.069963
• Title: Identifying Planetary Transit Candidates in TESS Full-Frame Image Light Curves via Convolutional Neural Networks
• Title（参考訳）: 畳み込みニューラルネットワークによるtessフルフレーム画像光曲線の惑星通過候補の同定
• Authors: Greg Olmschenk, Stela Ishitani Silva, Gioia Rau, Richard K. Barry, Ethan Kruse, Luca Cacciapuoti, Veselin Kostov, Brian P. Powell, Edward Wyrwas, Jeremy D. Schnittman, Thomas Barclay
• Abstract要約: Transiting Exoplanet Survey Satelliteは、2年間の一次ミッションを通して、空の75%の恒星からの光を測定しました。 何百万ものTESS 30分のケイデンス光曲線は、通過する太陽系外惑星の探索で分析する。 本稿では,惑星通過信号の同定と偽陽性の除去を訓練する畳み込みニューラルネットワークを提案する。 我々は、我々のネットワークによって特定された181個の新しい惑星候補を提示する。
• 参考スコア（独自算出の注目度）: 1.2583362454189522
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Transiting Exoplanet Survey Satellite (TESS) mission measured light from stars in ~75% of the sky throughout its two year primary mission, resulting in millions of TESS 30-minute cadence light curves to analyze in the search for transiting exoplanets. To search this vast data trove for transit signals, we aim to provide an approach that is both computationally efficient and produces highly performant predictions. This approach minimizes the required human search effort. We present a convolutional neural network, which we train to identify planetary transit signals and dismiss false positives. To make a prediction for a given light curve, our network requires no prior transit parameters identified using other methods. Our network performs inference on a TESS 30-minute cadence light curve in ~5ms on a single GPU, enabling large scale archival searches. We present 181 new planet candidates identified by our network, which pass subsequent human vetting designed to rule out false positives. Our neural network model is additionally provided as open-source code for public use and extension.
• Abstract（参考訳）: トランジット太陽系外惑星探査衛星(TESS)は、2年間の主ミッションを通して、天空から75%の恒星の光を観測し、トランジット系外惑星の探索で分析するために、数百万のTESS30分間のケイデンス光曲線を導いた。 この膨大なデータをトランジット信号として探索するために,計算効率が高く,高い性能の予測を行うアプローチを提案する。 このアプローチは、必要な人間の探索作業を最小化する。 本稿では,惑星通過信号の同定と偽陽性の除去を訓練する畳み込みニューラルネットワークを提案する。 所定の光度曲線の予測を行うためには,他の手法を用いて事前の遷移パラメータを同定する必要がなくなる。 私たちのネットワークは、ttess 30分周期の光曲線を単一のgpu上で約5msで推論し、大規模なアーカイブ検索を可能にします。 我々は、我々のネットワークによって特定された181個の新しい惑星候補を提示する。 私たちのニューラルネットワークモデルは、パブリック使用と拡張のためのオープンソースコードとして提供されています。

関連論文リスト

• NotPlaNET: Removing False Positives from Planet Hunters TESS with Machine Learning [1.2289361708127877]
  我々は1次元畳み込みニューラルネットワーク(CNN)を構築し、楕円型バイナリやその他の偽陽性を潜在的な惑星候補から分離する。 我々のモデルは18分野のうち16分野の惑星の100%を保持し、一方は1つの惑星候補(0.3%)、残りのセクターは2つの惑星候補(0.6%)を誤ってフラグ付けする。
  論文  参考訳（メタデータ） (2024-05-28T15:29:40Z)
• Short-Period Variables in TESS Full-Frame Image Light Curves Identified via Convolutional Neural Networks [0.37187295985559027]
  短周期変数の同定を訓練する畳み込みニューラルネットワークを提案する。 ネットワークは,1つのGPU上で5msのTESS30分のケイデンス光曲線で推論を行う。 ネットワークによって識別された14156個の短周期変数のコレクションを提示する。
  論文  参考訳（メタデータ） (2024-02-19T18:56:35Z)
• Active search and coverage using point-cloud reinforcement learning [50.741409008225766]
  本稿では,目的探索とカバレッジのためのエンドツーエンドの深層強化学習ソリューションを提案する。 RLの深い階層的特徴学習は有効であり、FPS(Fastthest Point sample)を用いることで点数を削減できることを示す。 また、ポイントクラウドに対するマルチヘッドの注意がエージェントの学習を高速化する上で有効であるが、同じ結果に収束することを示す。
  論文  参考訳（メタデータ） (2023-12-18T18:16:30Z)
• One-dimensional Convolutional Neural Networks for Detecting Transiting Exoplanets [39.58317527488534]
  我々は、異なる望遠鏡とサーベイから得られる光曲線のトランジットを検出することができる人工ニューラルネットワークモデルを開発した。 我々は1次元畳み込みニューラルネットワークモデルを訓練し、検証するために、ケプラー望遠鏡(K2)の延長ミッションに期待されるものを模した人工光曲線を作成しました。
  論文  参考訳（メタデータ） (2023-12-12T10:56:27Z)
• Distinguishing a planetary transit from false positives: a Transformer-based classification for planetary transit signals [2.2530415657791036]
  交通信号の自動分類のための新しいアーキテクチャを提案する。 提案アーキテクチャは、トランジット信号と恒星パラメータの最も重要な特徴を捉えるように設計されている。 我々は,太陽系外惑星トランジット信号の認識に応用されたCNNに関する競合的な結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-04-27T15:43:25Z)
• 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)
• TransPath: Learning Heuristics For Grid-Based Pathfinding via Transformers [64.88759709443819]
  探索の効率を顕著に向上させると考えられる,インスタンス依存のプロキシを学習することを提案する。 私たちが最初に学ぶことを提案するプロキシは、補正係数、すなわち、インスタンスに依存しないコスト・ツー・ゴの見積もりと完璧な見積もりの比率である。 第2のプロキシはパス確率であり、グリッドセルが最も短いパスに横たわっている可能性を示している。
  論文  参考訳（メタデータ） (2022-12-22T14:26:11Z)
• Towards a method to anticipate dark matter signals with deep learning at the LHC [58.720142291102135]
  ニューラルネットワークを用いた簡易暗黒物質モデルとそのシグネチャをLHCで検討した。 通常のモノジェットと逆エネルギーチャネルの欠如に焦点を当てるが、アルゴリズムを訓練するためには、イベント・バイ・イベント・アレーの代わりに2Dヒストグラムでデータを整理する。 これにより、標準モデル(SM)のみとSMと新しい物理信号とを区別する性能が大きく向上する。
  論文  参考訳（メタデータ） (2021-05-25T15:38:13Z)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)
• Searching for Possible Exoplanet Transits from BRITE Data through a Machine Learning Technique [0.0]
  BRITE衛星の光度曲線を機械学習技術を用いて検討した。 トランジット候補を探すためにいくつかの畳み込みニューラルネットワークが構築された。 この手法は、少数の輸送候補を効率的に導くことができる。
  論文  参考訳（メタデータ） (2020-12-18T03:42:19Z)
• 2nd Place Scheme on Action Recognition Track of ECCV 2020 VIPriors Challenges: An Efficient Optical Flow Stream Guided Framework [57.847010327319964]
  我々は、小さなデータセットでモデルをスクラッチからトレーニングできるデータ効率フレームワークを提案する。 具体的には、3D中心差分畳み込み演算を導入することで、新しいC3Dニューラルネットワークベースの2ストリームフレームワークを提案する。 提案手法は,大規模データセット上で事前学習したモデルがなくても,有望な結果が得られることを実証した。
  論文  参考訳（メタデータ） (2020-08-10T09:50:28Z)

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。