論文の概要: Identifying Potential Exomoon Signals with Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2109.10503v1
- Date: Wed, 22 Sep 2021 03:37:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-23 13:34:32.881058
- Title: Identifying Potential Exomoon Signals with 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電位運動信号の同定
- Authors: Alex Teachey and David Kipping
- Abstract要約: コンボリューションニューラルネットワーク(CNN)のアンサンブルをトレーニングし、ケプラーが観測した単一トランジットイベントにおける候補エクソモオン信号を特定する。
これらのトランジットのごく一部には月のような信号が含まれているが、この結果からエキソモンの発生率の強い推測には注意が必要である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Targeted observations of possible exomoon host systems will remain difficult
to obtain and time-consuming to analyze in the foreseeable future. As such,
time-domain surveys such as Kepler, K2 and TESS will continue to play a
critical role as the first step in identifying candidate exomoon systems, which
may then be followed-up with premier ground- or space-based telescopes. In this
work, we train an ensemble of convolutional neural networks (CNNs) to identify
candidate exomoon signals in single-transit events observed by Kepler. Our
training set consists of ${\sim}$27,000 examples of synthetic, planet-only and
planet+moon single transits, injected into Kepler light curves. We achieve up
to 88\% classification accuracy with individual CNN architectures and 97\%
precision in identifying the moons in the validation set when the CNN ensemble
is in total agreement. We then apply the CNN ensemble to light curves from 1880
Kepler Objects of Interest with periods $>10$ days ($\sim$57,000 individual
transits), and further test the accuracy of the CNN classifier by injecting
planet transits into each light curve, thus quantifying the extent to which
residual stellar activity may result in false positive classifications. We find
a small fraction of these transits contain moon-like signals, though we caution
against strong inferences of the exomoon occurrence rate from this result. We
conclude by discussing some ongoing challenges to utilizing neural networks for
the exomoon search.
- Abstract(参考訳): 有望なエクソムーンのホストシステムのターゲットとなる観測は、当面は取得が難しく、分析に時間がかかるだろう。
そのため、ケプラー、K2、TESSのような時間領域の調査は、候補エクソモン系を特定する最初のステップとして、引き続き重要な役割を果たす。
本研究では,Kepler が観測した単一トランジットイベントにおいて,コンボリューションニューラルネットワーク (CNN) のアンサンブルを訓練し,候補エクソモオン信号の同定を行う。
私たちのトレーニングセットは、ケプラー光度曲線に注入された合成、惑星のみ、惑星+ムーンの27,000ドルのサンプルで構成されています。
我々は、個々のCNNアーキテクチャで最大88%の分類精度を達成し、CNNアンサンブルが全一致である場合に、検証セット内の衛星を特定する精度を97パーセントまで向上する。
次に、1880年のケプラー天体の光線曲線にcnnアンサンブルを適用し、周期が10$ days (\sim$57,000個別トランジット)であり、さらに惑星のトランジットを各光線曲線に注入することでcnn分類器の精度をテストし、恒星活動の残留が偽の正の分類をもたらす程度を定量化する。
これらのトランジットのごく一部は月のような信号を含んでいるが、この結果からのエクソムーン発生率の強い推論には注意が必要である。
結論として,exomoon検索におけるニューラルネットワーク活用の課題について考察した。
関連論文リスト
- Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。
本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
論文 参考訳(メタデータ) (2024-07-12T18:00:02Z) - NotPlaNET: Removing False Positives from Planet Hunters TESS with Machine Learning [1.2289361708127877]
我々は1次元畳み込みニューラルネットワーク(CNN)を構築し、楕円型バイナリやその他の偽陽性を潜在的な惑星候補から分離する。
我々のモデルは18分野のうち16分野の惑星の100%を保持し、一方は1つの惑星候補(0.3%)、残りのセクターは2つの惑星候補(0.6%)を誤ってフラグ付けする。
論文 参考訳(メタデータ) (2024-05-28T15:29:40Z) - Single Transit Detection In Kepler With Machine Learning And Onboard
Spacecraft Diagnostics [0.0]
長い軌道周期での太陽系外惑星の発見には、システムに関する追加情報なしで個々のトランジットを確実に検出する必要がある。
本稿では,EmphKeplerの宇宙船診断を取り入れた畳み込みニューラルネットワークのアンサンブルを用いて,光曲線内のトランジットを分類する手法を提案する。
私たちのニューラルネットワークパイプラインは、EmphKeplerデータセットで、そして重要なことに、$eta$-Earthレシエーション内で、追加の惑星を発見する可能性がある。
論文 参考訳(メタデータ) (2024-03-06T03:16:47Z) - One-dimensional Convolutional Neural Networks for Detecting Transiting
Exoplanets [39.58317527488534]
我々は、異なる望遠鏡とサーベイから得られる光曲線のトランジットを検出することができる人工ニューラルネットワークモデルを開発した。
我々は1次元畳み込みニューラルネットワークモデルを訓練し、検証するために、ケプラー望遠鏡(K2)の延長ミッションに期待されるものを模した人工光曲線を作成しました。
論文 参考訳(メタデータ) (2023-12-12T10:56:27Z) - Deep-learning based measurement of planetary radial velocities in the
presence of stellar variability [70.4007464488724]
我々は、HARPS-N Sun-as-a-star Spectraの3年間の恒星RVジッタを低減するためにニューラルネットワークを使用する。
マルチラインCNNは、半振幅0.2m/s、50日間、振幅8.8%、周期0.7%の誤差で惑星を回復することができる。
論文 参考訳(メタデータ) (2023-04-10T18:33:36Z) - Cosmology from Galaxy Redshift Surveys with PointNet [65.89809800010927]
宇宙論において、銀河赤方偏移サーベイは、宇宙における位置の置換不変な集まりに類似している。
我々は、ポイントクラウドデータから直接、宇宙パラメータの値を回帰するために、textitPointNetのようなニューラルネットワークを使用します。
我々のPointNetsの実装は、$mathcalO(104) - MathcalO(105)$銀河の入力を一度に分析できるので、この応用の初期の作業は、およそ2桁の精度で改善される。
論文 参考訳(メタデータ) (2022-11-22T15:35:05Z) - Photometric Search for Exomoons by using Convolutional Neural Networks [0.0]
深層学習と畳み込みニューラルネットワークを用いて,エキソモンシグネチャを見つけることができる。
合成光曲線と観測光曲線の組み合わせで訓練されたCNNは、ケプラーデータセットにおいて、衛星がより大きく、またはほぼ2-3地球半径に等しいものを見つけるために用いられる。
論文 参考訳(メタデータ) (2021-11-03T15:24:43Z) - 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) - Identifying Planetary Transit Candidates in TESS Full-Frame Image Light
Curves via Convolutional Neural Networks [1.2583362454189522]
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。
論文 参考訳(メタデータ) (2021-01-26T16:40:51Z) - 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) - 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)
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。