Fugu-MT 論文翻訳(概要): Locating Hidden Exoplanets in ALMA Data Using Machine Learning

論文の概要: Locating Hidden Exoplanets in ALMA Data Using Machine Learning

arxiv url: http://arxiv.org/abs/2211.09541v1
Date: Thu, 17 Nov 2022 14:02:16 GMT
ステータス: 処理完了
システム内更新日: 2022-11-18 17:33:16.724388
Title: Locating Hidden Exoplanets in ALMA Data Using Machine Learning
Title（参考訳）: 機械学習を用いたALMAデータ中の隠れた太陽系外惑星の配置
Authors: Jason Terry, Cassandra Hall, Sean Abreau, Sergei Gleyzer
Abstract要約: 機械学習が惑星の存在を迅速かつ正確に検出できることを実証する。我々はシミュレーションから生成された合成画像に基づいてモデルを訓練し、実際の観測に応用して、実際の系における形成惑星を同定する。
参考スコア（独自算出の注目度）: 10.316742952272394
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Exoplanets in protoplanetary disks cause localized deviations from Keplerian velocity in channel maps of molecular line emission. Current methods of characterizing these deviations are time consuming, and there is no unified standard approach. We demonstrate that machine learning can quickly and accurately detect the presence of planets. We train our model on synthetic images generated from simulations and apply it to real observations to identify forming planets in real systems. Machine learning methods, based on computer vision, are not only capable of correctly identifying the presence of one or more planets, but they can also correctly constrain the location of those planets.
Abstract（参考訳）: 原始惑星系円盤の太陽系外惑星は、ケプラー速度から分子線放出のチャネルマップで局所的な偏差を引き起こす。これらの偏差を特徴づける現在の方法は時間がかかり、統一された標準アプローチは存在しない。機械学習が惑星の存在を迅速かつ正確に検出できることを実証する。我々はシミュレーションから生成した合成画像に基づいてモデルを訓練し、実際の観測に応用して実際の系で形成する惑星を識別する。コンピュータビジョンに基づく機械学習手法は、1つ以上の惑星の存在を正確に識別するだけでなく、それらの惑星の位置を正確に制限することもできる。

関連論文リスト

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)
Visual Affordance Prediction for Guiding Robot Exploration [56.17795036091848]
我々は,ロボット探索を導くための視覚能力の学習手法を開発した。 VQ-VAEの潜伏埋め込み空間における条件分布の学習にはTransformerベースのモデルを用いる。本稿では,ロボット操作における視覚的目標条件付きポリシー学習において,目標サンプリング分布として機能することで探索を導くために,トレーニングされた余裕モデルをどのように利用できるかを示す。
論文参考訳（メタデータ） (2023-05-28T17:53:09Z)
Learning to Predict Navigational Patterns from Partial Observations [63.04492958425066]
本稿では,実環境におけるナビゲーションのパターンを,部分的な観察のみから推測する,初めての自己教師型学習(SSL)手法を提案する。我々は、DSLPフィールドに最大極大グラフを適合させることにより、グローバルなナビゲーションパターンを推論する方法を実証する。実験により,我々のSSLモデルはnuScenesデータセット上で2つのSOTA教師付きレーングラフ予測モデルより優れていることが示された。
論文参考訳（メタデータ） (2023-04-26T02:08:46Z)
Predictive World Models from Real-World Partial Observations [66.80340484148931]
本研究では,現実の道路環境に対する確率論的予測世界モデル学習のためのフレームワークを提案する。従来の手法では、学習のための基礎的真理として完全状態を必要とするが、HVAEが部分的に観察された状態のみから完全状態を予測することを学べる新しい逐次訓練法を提案する。
論文参考訳（メタデータ） (2023-01-12T02:07:26Z)
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)
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)
Automation Of Transiting Exoplanet Detection, Identification and Habitability Assessment Using Machine Learning Approaches [0.0]
我々はケプラー望遠鏡で捉えた恒星からの光強度曲線を分析し、惑星系の存在の性質を示すポテンシャル曲線を検出する。我々は、いくつかの最先端機械学習とアンサンブルアプローチを活用することで、外惑星識別と居住可能性判定の自動化に取り組む。
論文参考訳（メタデータ） (2021-12-06T19:00:12Z)
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)
Planet cartography with neural learned regularization [0.0]
惑星の手続き的生成に基づく地球外惑星のマッピング手法を提案する。また、雲状惑星における表面の回復と永続的な雲の存在のマッピングも検討している。これは、活動的な気候システムを検出するために太陽系外惑星で実施できる最初のテストとなる。
論文参考訳（メタデータ） (2020-12-08T14:57:33Z)
Exoplanet Detection using Machine Learning [0.0]
トランジット法を用いて外惑星を検出する機械学習に基づく新しい手法を提案する。ケプラーのデータでは、AUCが0.948である惑星を予測できるため、真の惑星信号の94.8%が非惑星信号よりも高い位置にある。トランジット系外惑星探査衛星(TESS)のデータでは、我々の方法では光曲線を0.98の精度で分類することができ、0.82のリコールで惑星を0.63の精度で識別できることがわかった。
論文参考訳（メタデータ） (2020-11-28T14:06:39Z)
Latent World Models For Intrinsically Motivated Exploration [140.21871701134626]
画像に基づく観察のための自己教師付き表現学習法を提案する。我々は、部分的に観測可能な環境の探索を導くために、エピソードおよび寿命の不確実性を考慮する。
論文参考訳（メタデータ） (2020-10-05T19:47:04Z)

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。