論文の概要: Revisiting mass-radius relationships for exoplanet populations: a
machine learning insight
- arxiv url: http://arxiv.org/abs/2301.07143v1
- Date: Tue, 17 Jan 2023 19:15:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-19 17:31:14.638550
- Title: Revisiting mass-radius relationships for exoplanet populations: a
machine learning insight
- Title（参考訳）: 太陽系外惑星集団における質量・ラディウス関係の再検討--機械学習による考察
- Authors: Mahdiyar Mousavi-Sadr, Davood M. Jassur, Ghassem Gozaliasl
- Abstract要約: 我々は、効率的な機械学習手法を用いて、762個の確認された太陽系外惑星と8個の太陽系惑星のデータセットを分析した。
様々な回帰モデルを用いて、物理パラメータ間の相関を明らかにし、それらの性能を評価する。
我々は、惑星の質量、軌道周期、恒星質量が、太陽系外惑星半径を予測するのに先駆的な役割を果たすことを発見した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The growing number of exoplanet discoveries and advances in machine learning
techniques allow us to find, explore, and understand characteristics of these
new worlds beyond our Solar System. We analyze the dataset of 762 confirmed
exoplanets and eight Solar System planets using efficient machine-learning
approaches to characterize their fundamental quantities. By adopting different
unsupervised clustering algorithms, the data are divided into two main classes:
planets with $\log R_{p}\leq0.91R_{\oplus}$ and $\log M_{p}\leq1.72M_{\oplus}$
as class 1 and those with $\log R_{p}>0.91R_{\oplus}$ and $\log
M_{p}>1.72M_{\oplus}$ as class 2. Various regression models are used to reveal
correlations between physical parameters and evaluate their performance. We
find that planetary mass, orbital period, and stellar mass play preponderant
roles in predicting exoplanet radius. The validation metrics (RMSE, MAE, and
$R^{2}$) suggest that the Support Vector Regression has, by and large, better
performance than other models and is a promising model for obtaining planetary
radius. Not only do we improve the prediction accuracy in logarithmic space,
but also we derive parametric equations using the M5P and Markov Chain Monte
Carlo methods. Planets of class 1 are shown to be consistent with a positive
linear mass-radius relation, while for planets of class 2, the planetary radius
represents a strong correlation with their host stars' masses.
- Abstract（参考訳）: ますます多くの太陽系外惑星発見と機械学習技術の進歩により、太陽系以外の新しい世界の特性を発見し、探求し、理解することができる。
効率的な機械学習手法を用いて762個の太陽系外惑星と8つの太陽系惑星のデータセットを分析した。
異なる教師なしクラスタリングアルゴリズムを採用することにより、データは2つの主要なクラスに分けられる:$\log R_{p}\leq0.91R_{\oplus}$と$\log M_{p}\leq1.72M_{\oplus}$と$\log R_{p}>0.91R_{\oplus}$と$\log M_{p}>1.72M_{\oplus}$。
様々な回帰モデルを用いて、物理パラメータ間の相関を明らかにし、それらの性能を評価する。
惑星の質量、軌道周期、恒星の質量は、太陽系外惑星半径の予測に先駆的な役割を果たすことが判明した。
検証指標(RMSE、MAE、および$R^{2}$)は、支持ベクトル回帰は他のモデルよりも大きく、より優れた性能を持ち、惑星半径を得るための有望なモデルであることを示している。
対数空間の予測精度を改善するだけでなく、M5P法とマルコフ・チェイン・モンテカルロ法を用いてパラメトリック方程式を導出する。
クラス1の惑星は正の線形質量半径関係と一致していることが示され、クラス2の惑星では、惑星半径は主星の質量と強い相関関係を示す。
関連論文リスト
- Estimating Exoplanet Mass using Machine Learning on Incomplete Datasets [1.6231541773673115]
発見されている惑星の70%以上が、測定された惑星の質量を持っていない。
提案手法は,惑星質量の計算に欠落した特性を推定するために,機械学習アルゴリズムを用いる方法を示す。
論文 参考訳（メタデータ） (2024-10-09T14:19:33Z) - Exoplanets Prediction in Multi-Planetary Systems and Determining the
Correlation Between the Parameters of Planets and Host Stars Using Artificial
Intelligence [0.0]
我々は、少なくとも3つ以上の確認済みの惑星を収容する229個の多惑星系で、さらに太陽系外惑星を探索する。
我々は効率的な機械学習手法を用いて、762個の太陽系外惑星と8個の太陽系外惑星からなるデータセットを解析した。
巨大惑星では、惑星半径と主星の質量の間に強い相関関係が見られ、惑星形成と恒星の性質の関係に関する興味深い洞察を与えるかもしれない。
論文 参考訳（メタデータ） (2024-02-27T21:28:08Z) - 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) - Multiple Random Masking Autoencoder Ensembles for Robust Multimodal
Semi-supervised Learning [64.81450582542878]
コンピュータビジョンや機械学習には、現実の問題が増えている。
衛星データから地球観測を行う場合、一つの観測層を予測できることが重要である。
論文 参考訳（メタデータ） (2024-02-12T20:08:58Z) - Reward Finetuning for Faster and More Accurate Unsupervised Object
Discovery [64.41455104593304]
Reinforcement Learning from Human Feedback (RLHF)は、機械学習モデルを改善し、それを人間の好みに合わせる。
本稿では,RL法と類似した手法を非教師対象発見に適用することを提案する。
私たちは、我々のアプローチがより正確であるだけでなく、訓練よりも桁違いに高速であることを示した。
論文 参考訳（メタデータ） (2023-10-29T17:03:12Z) - 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) - 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) - 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) - On planetary systems as ordered sequences [7.216830424040808]
我々は、3277の惑星系における4286個のケプラー惑星の構成(または順序付け)にどのような情報が属するかを考える。
我々は、主星の性質に基づいて、惑星の半径と周期を予測するためにニューラルネットワークモデルを訓練する。
我々は、計算言語学において、教師なしの音声タグ付けに使用されるモデルを適用し、惑星や惑星系が、物理的に解釈可能な「文法規則」を持つ自然カテゴリーに該当するかどうかを調査する。
論文 参考訳（メタデータ） (2021-05-20T18:00:29Z) - Analyzing the Stability of Non-coplanar Circumbinary Planets using
Machine Learning [0.0]
非平面円周系における外惑星の軌道安定性を数値シミュレーション法を用いて解析する。
我々は、周囲惑星系の安定性を迅速に決定できる機械学習モデルを訓練する。
その結果、惑星の大きな傾きは軌道の安定性を高める傾向がありますが、地球と木星の間の惑星の質量範囲の変化はシステムの安定性にはほとんど影響しません。
論文 参考訳（メタデータ） (2021-01-07T00:59:31Z) - Interpreting Galaxy Deblender GAN from the Discriminator's Perspective [50.12901802952574]
本研究は、ネットワークの主要なコンポーネントである識別器の動作に焦点を当てるが、しばしば見落とされがちな役割を担っている。
本手法は, 生成銀河画像と地中真理画像とを区別する際に, 識別器の注意領域を明確に明らかにする。
論文 参考訳（メタデータ） (2020-01-17T04:05:46Z)
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。