論文の概要: O-type Stars Stellar Parameter Estimation Using Recurrent Neural Networks

• arxiv url: http://arxiv.org/abs/2210.12791v1
• Date: Sun, 23 Oct 2022 17:18:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 22:12:24.512908
• Title: O-type Stars Stellar Parameter Estimation Using Recurrent Neural Networks
• Title（参考訳）: リカレントニューラルネットワークを用いたo型恒星の恒星パラメータ推定
• Authors: Miguel Flores R., Luis J. Corral, Celia R. Fierro-Santill\'an, and Silvana G. Navarro
• Abstract要約: これまでの研究では、恒星モデルに適合する信頼性の高い方法を確立するために、機械学習とディープラーニングのアルゴリズムのセットを比較した。 本稿では,ニューラルネットワークの観点から,個々の物理パラメータを推定する方法について述べる。 3つの異なるリカレントニューラルネットワークシステムの開発、恒星スペクトルモデルを用いたトレーニングプロセス、9つの異なる観測された恒星スペクトルに対するテスト、および過去の研究における推定との比較について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we present a deep learning system approach to estimating luminosity, effective temperature, and surface gravity of O-type stars using the optical region of the stellar spectra. In previous work, we compare a set of machine learning and deep learning algorithms in order to establish a reliable way to fit a stellar model using two methods: the classification of the stellar spectra models and the estimation of the physical parameters in a regression-type task. Here we present the process to estimate individual physical parameters from an artificial neural network perspective with the capacity to handle stellar spectra with a low signal-to-noise ratio (S/N), in the $<$20 S/N boundaries. The development of three different recurrent neural network systems, the training process using stellar spectra models, the test over nine different observed stellar spectra, and the comparison with estimations in previous works are presented. Additionally, characterization methods for stellar spectra in order to reduce the dimensionality of the input data for the system and optimize the computational resources are discussed.
• Abstract（参考訳）: 本稿では、恒星スペクトルの光学領域を用いて、O型恒星の光度、有効温度、表面重力を推定するための深層学習システムを提案する。 従来の研究では、恒星スペクトルモデルの分類と回帰型タスクにおける物理パラメータの推定という2つの手法を用いて、星モデルに適合する信頼性の高い方法を確立するために、機械学習とディープラーニングのアルゴリズムのセットを比較した。 本稿では,信号対雑音比(s/n)の低い恒星スペクトルを20 s/nの範囲で処理する能力を有する人工ニューラルネットワークの観点から,個々の物理パラメータを推定する手法を提案する。 3つの異なるリカレントニューラルネットワークシステムの開発、恒星スペクトルモデルを用いたトレーニングプロセス、観測された9つの恒星スペクトルに対するテスト、および以前の研究における推定との比較を行った。 さらに,システムの入力データの次元を小さくし,計算資源を最適化するために,恒星スペクトルのキャラクタリゼーション手法について議論した。

関連論文リスト

• Point-Calibrated Spectral Neural Operators [54.13671100638092]
  点レベル適応スペクトルベースで関数を近似することで演算子マッピングを学習する。 点平衡スペクトル演算子は点レベル適応スペクトルベースで関数を近似することで演算子マッピングを学習する。
  論文  参考訳（メタデータ） (2024-10-15T08:19:39Z)
• Using autoencoders and deep transfer learning to determine the stellar parameters of 286 CARMENES M dwarfs [0.0]
  本稿では,高分解能スペクトルから恒星パラメータを決定するために,オートエンコーダに基づく特徴量に基づくディープトランスファー学習(DTL)手法を提案する。 CARMENESサーベイで観測された286M小星の有効温度, 表面重力, 金属性, および投射回転速度の新たな推定法を提案する。
  論文  参考訳（メタデータ） (2024-05-14T15:42:27Z)
• Stellar Spectra Fitting with Amortized Neural Posterior Estimation and nbi [0.0]
  APOGEEサーベイのためのANPEモデルをトレーニングし、モックスペクトルと実恒星スペクトルの両方で有効性を示す。 スペクトルデータに固有の計測ノイズ特性を効果的に処理する手法を提案する。 我々はANPEの「モデル動物園」の有用性について論じる。そこでは、モデルは特定の楽器のために訓練され、nbiフレームワークの下で配布される。
  論文  参考訳（メタデータ） (2023-12-09T21:30:07Z)
• deep-REMAP: Parameterization of Stellar Spectra Using Regularized Multi-Task Learning [0.0]
  確率的推論のための非対称損失をもつ深層正規化アンサンブルに基づくマルチタスク学習(rmdeep-REMAP$) 我々は、PHOENIXライブラリからのリッチな合成スペクトルと、MARVELSサーベイからの観測データを利用して、恒星の大気パラメータを正確に予測する新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2023-11-07T05:41:48Z)
• 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)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
  光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。 近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。 我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
  論文  参考訳（メタデータ） (2022-06-27T13:46:51Z)
• Modelling stellar activity with Gaussian process regression networks [0.0]
  HARPS-N太陽分光観測を用いて、この枠組みがRVデータと従来の恒星活動指標を共同でモデル化できることを実証した。 我々は、RVと恒星活動時系列の相関関係を数日の間隔で最大にし、時系列における非定常行動の証拠を見いだす。
  論文  参考訳（メタデータ） (2022-05-13T13:20:25Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• StarcNet: Machine Learning for Star Cluster Identification [21.804465402347027]
  StarcNetは畳み込みニューラルネットワーク(CNN)であり、LEGUS銀河の画像における星団分類の精度は68.6%(4クラス)/86.0%(2クラス:クラスター/クラスター)で、人間の専門家のパフォーマンスとほぼ一致する。 我々は、トレーニングセットに含まれない銀河に事前訓練されたcnnモデルを適用することで、starcnetの性能をテストする。 恒星団の光度、色、物理的特性は、ヒトおよびml分類標本に類似している。
  論文  参考訳（メタデータ） (2020-12-16T23:58:01Z)
• Neural Dynamic Mode Decomposition for End-to-End Modeling of Nonlinear Dynamics [49.41640137945938]
  ニューラルネットワークに基づくリフト関数を推定するためのニューラルダイナミックモード分解法を提案する。 提案手法により,予測誤差はニューラルネットワークとスペクトル分解によって逆伝搬される。 提案手法の有効性を,固有値推定と予測性能の観点から実証した。
  論文  参考訳（メタデータ） (2020-12-11T08:34:26Z)

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。