論文の概要: Photometric Search for Exomoons by using Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2111.02293v1
• Date: Wed, 3 Nov 2021 15:24:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-11-04 14:27:30.357641
• Title: Photometric Search for Exomoons by using Convolutional Neural Networks
• Title（参考訳）: 畳み込みニューラルネットワークを用いたエクソムーンの光度探索
• Authors: Lukas Weghs
• Abstract要約: 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。
• 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: Until now, there is no confirmed moon beyond our solar system (exomoon). Exomoons offer us new possibly habitable places which might also be outside the classical habitable zone. But until now, the search for exomoons needs much computational power because classical statistical methods are employed. It is shown that exomoon signatures can be found by using deep learning and Convolutional Neural Networks (CNNs), respectively, trained with synthetic light curves combined with real light curves with no transits. It is found that CNNs trained by combined synthetic and observed light curves may be used to find moons bigger or equal to roughly 2-3 earth radii in the Kepler data set or comparable data sets. Using neural networks in future missions like Planetary Transits and Oscillation of stars (PLATO) might enable the detection of exomoons.
• Abstract（参考訳）: 今まで、太陽系外惑星以外の衛星は確認されていません。 エクソモーンは、古典的居住ゾーンの外にある可能性のある新しい居住可能な場所を提供します。 しかし、これまでは古典的統計手法が採用されているため、エクソムーンの探索には多くの計算能力が必要だった。 深層学習と畳み込みニューラルネットワーク(CNN)を用いて, 実光曲線とトランジットのない実光曲線を併用した合成光曲線を学習することにより, エキソモンシグネチャを検出できることが示されている。 合成光曲線と観測光曲線の組み合わせによって訓練されたCNNはケプラーデータセットや同等のデータセットにおいて、衛星がより大きく、あるいはほぼ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。 惑星トランジットや星の振動(plato)といった将来のミッションでニューラルネットワークを使用することで、エクソムーンの検出が可能になる。

関連論文リスト

• Neural Network Based Approach to Recognition of Meteor Tracks in the Mini-EUSO Telescope Data [44.35048360978502]
  ミニEUSO(Mini-EUSO)は、国際宇宙ステーションから地球の夜間大気に紫外線(UV)を登録する広角蛍光望遠鏡である。 2値分類問題の観点から,Mini-EUSOデータにおける流星信号の認識を高精度に行うための2つの単純な人工ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-11-25T10:00:49Z)
• Speed Limits for Deep Learning [67.69149326107103]
  熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。 線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。 NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
  論文  参考訳（メタデータ） (2023-07-27T06:59:46Z)
• Neural Exploitation and Exploration of Contextual Bandits [51.25537742455235]
  本研究では,ニューラルネットワークを用いたコンテキスト型マルチアームバンディットの活用と探索について検討する。 EE-Netは、ニューラルベースによる新たなエクスプロイトと探索戦略である。 EE-Netは、実世界のデータセット上での線形およびニューラルネットワークの帯域ベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-05T18:34:49Z)
• 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)
• Exoplanet Detection by Machine Learning with Data Augmentation [0.0]
  ディープラーニングは、外惑星検出パイプラインの一部を自動化する可能性がある。 利用可能なデータセットの少なさは、強力なネットワークアーキテクチャから期待されるパフォーマンスレベルを実現するのを難しくする。 本研究では,データ拡張によって外惑星検出問題に対するモデル性能が向上する可能性を実証する。
  論文  参考訳（メタデータ） (2022-11-28T17:35:16Z)
• ExoSGAN and ExoACGAN: Exoplanet Detection using Adversarial Training Algorithms [0.0]
  我々は、K2データ中の移動系外惑星を検出するために、2種類の生成逆数ネットワークを使用する。 本手法では,テストデータに基づいて光曲線をリコール精度1.00の精度で分類することができる。
  論文  参考訳（メタデータ） (2022-07-20T05:45:36Z)
• EE-Net: Exploitation-Exploration Neural Networks in Contextual Bandits [52.98326168071513]
  EE-Netは、新しい探索戦略を持つニューラルネットワークベースのバンドイットアプローチである。 EE-Net が $mathcalO(sqrtTlog T)$ regret を達成することを示す。
  論文  参考訳（メタデータ） (2021-10-07T04:12:36Z)
• Identifying Potential Exomoon Signals with Convolutional Neural Networks [0.0]
  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。
  論文  参考訳（メタデータ） (2021-09-22T03:37:09Z)
• 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)
• 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)
• 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)

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。