論文の概要: Kinematic Evidence of an Embedded Protoplanet in HD 142666 Identified by Machine Learning

• arxiv url: http://arxiv.org/abs/2301.05075v1
• Date: Thu, 12 Jan 2023 15:18:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 15:39:47.789473
• Title: Kinematic Evidence of an Embedded Protoplanet in HD 142666 Identified by Machine Learning
• Title（参考訳）: hd 142666に埋め込まれた原始惑星の運動学的証拠 : 機械学習による同定
• Authors: J. P. Terry and C. Hall and S. Abreau and S. Gleyzer
• Abstract要約: ディスクHD 142666内の強局所非ケプラー運動を同定する。 現在この分野で確立されている標準により、HD 142666は惑星をホストしていると結論付けている。 この研究は、原始惑星円盤でこれまで見過ごされていた非ケプラー的特徴を特定するために機械学習を使用するための第一歩である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Observations of protoplanetary discs have shown that forming exoplanets leave characteristic imprints on the gas and dust of the disc. In the gas, these forming exoplanets cause deviations from Keplerian motion, which can be detected through molecular line observations. Our previous work has shown that machine learning can correctly determine if a planet is present in these discs. Using our machine learning models, we identify strong, localized non-Keplerian motion within the disc HD 142666. Subsequent hydrodynamics simulations of a system with a 5 Jupiter-mass planet at 75 au recreates the kinematic structure. By currently established standards in the field, we conclude that HD 142666 hosts a planet. This work represents a first step towards using machine learning to identify previously overlooked non-Keplerian features in protoplanetary discs.
• Abstract（参考訳）: 原始惑星系円盤の観測により、外惑星の形成は円盤のガスや塵に特徴的なインプリントを残すことが示されている。 ガス中では、これらの形成系外惑星はケプラー運動から逸脱し、分子線観測によって検出される。 これまでの研究では、このディスクに惑星が存在するかどうかを機械学習が正確に判断できることが示されています。 当社の機械学習モデルを用いて,ディスクhd 142666内の強い局所的非ケプラー運動を同定した。 その後の流体力学シミュレーションでは、5つの木星質量の惑星が75 auで運動構造を再現する。 現在この分野で確立されている標準により、HD 142666は惑星をホストしていると結論付けている。 この研究は、前見落とされた原始惑星系円盤の非ケプラー的特徴を特定するために機械学習を使用するための第一歩である。

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)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• Physics-driven machine learning for the prediction of coronal mass ejections' travel times [46.58747894238344]
  コロナ質量放出(CME)は、太陽コロナからヘリウム圏へのプラズマと磁場の劇的な放出に対応する。 CMEは地磁気嵐と相関しており、太陽エネルギー粒子の流れを発生させる可能性がある。 本稿では,CMEの走行時間予測のための物理駆動型人工知能手法を提案する。
  論文  参考訳（メタデータ） (2023-05-17T08:53:29Z)
• Locating Hidden Exoplanets in ALMA Data Using Machine Learning [10.316742952272394]
  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。
  論文  参考訳（メタデータ） (2022-11-17T14:02:16Z)
• Machine learning-accelerated chemistry modeling of protoplanetary disks [0.0]
  我々は、熱化学モデリングコードを用いて、原始惑星系円盤模型の多様な個体群を生成する。 我々は、他のディスクモデルの化学を瞬時に予測するために、K-アネレスト近傍の回帰器を訓練した。
  論文  参考訳（メタデータ） (2022-09-27T12:42:13Z)
• 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)
• Machine Learning S-Wave Scattering Phase Shifts Bypassing the Radial Schr\"odinger Equation [77.34726150561087]
  本稿では, 畳み込みニューラルネットワークを用いて, 正確な散乱s波位相シフトを得られる機械学習モデルの実証を行う。 我々は、ハミルトニアンが物理的に動機づけられた記述子の構築において、いかにして指導原理として機能するかについて議論する。
  論文  参考訳（メタデータ） (2021-06-25T17:25:38Z)
• Machine-Learning Non-Conservative Dynamics for New-Physics Detection [69.45430691069974]
  未知の力によって支配される軌道を考えると、ニューラル・ニュー物理検出器(NNPhD)は新しい物理を検出することを目的としています。 我々はNNPhDが、力場を保守的かつ非保守的成分に分解することで、新しい物理学の発見に成功したことを実証する。 また,NNPhDと積分器の結合が,減衰二重振り子の将来を予測する従来の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-05-31T18:00:10Z)
• 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)

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。