論文の概要: ExoplANNET: A deep learning algorithm to detect and identify planetary signals in radial velocity data

• arxiv url: http://arxiv.org/abs/2303.09335v1
• Date: Thu, 16 Mar 2023 14:16:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-17 15:23:26.370415
• Title: ExoplANNET: A deep learning algorithm to detect and identify planetary signals in radial velocity data
• Title（参考訳）: ExoplANNET:放射速度データにおける惑星信号の検出と識別のためのディープラーニングアルゴリズム
• Authors: L. A. Nieto, R. F. D\'iaz
• Abstract要約: 放射速度法で検出された信号の意義の計算に代えて,ニューラルネットワークを提案する。 このアルゴリズムは、惑星の伴星を伴わないシステムの合成データを用いて訓練される。 偽陽性は28パーセント減少し、実行時間は従来の方法よりも5桁高速である。
• 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: The detection of exoplanets with the radial velocity method consists in detecting variations of the stellar velocity caused by an unseen sub-stellar companion. Instrumental errors, irregular time sampling, and different noise sources originating in the intrinsic variability of the star can hinder the interpretation of the data, and even lead to spurious detections. In recent times, work began to emerge in the field of extrasolar planets that use Machine Learning algorithms, some with results that exceed those obtained with the traditional techniques in the field. We seek to explore the scope of the neural networks in the radial velocity method, in particular for exoplanet detection in the presence of correlated noise of stellar origin. In this work, a neural network is proposed to replace the computation of the significance of the signal detected with the radial velocity method and to classify it as of planetary origin or not. The algorithm is trained using synthetic data of systems with and without planetary companions. We injected realistic correlated noise in the simulations, based on previous studies of the behaviour of stellar activity. The performance of the network is compared to the traditional method based on null hypothesis significance testing. The network achieves 28 % fewer false positives. The improvement is observed mainly in the detection of small-amplitude signals associated with low-mass planets. In addition, its execution time is five orders of magnitude faster than the traditional method. The superior performance exhibited by the algorithm has only been tested on simulated radial velocity data so far. Although in principle it should be straightforward to adapt it for use in real time series, its performance has to be tested thoroughly. Future work should permit evaluating its potential for adoption as a valuable tool for exoplanet detection.
• Abstract（参考訳）: 放射速度法による太陽系外惑星の検出は、未発見の恒星間伴星による恒星の速度の変化を検出することを含む。 インスツルメンタルエラー、不規則な時間サンプリング、恒星の内在的な変動に起因する異なるノイズ源は、データの解釈を妨げ、さらに急激な検出にも繋がる。 最近では、機械学習アルゴリズムを使用する太陽系外惑星の分野に研究が出現し始め、その分野の伝統的な技術で得られた成果を超えるものも現れた。 本研究では、放射速度法におけるニューラルネットワークのスコープ、特に恒星起源の相関ノイズの存在下での太陽系外惑星検出について探究する。 本研究では、放射速度法で検出された信号の意義の計算を置換し、惑星の起源として分類するニューラルネットワークを提案する。 このアルゴリズムは惑星の伴星を持たないシステムの合成データを用いて訓練される。 恒星活動の挙動に関する過去の研究に基づいて,シミュレーションにおいて現実的な相関ノイズを注入した。 ネットワークの性能は、null仮説の重要度テストに基づく従来の手法と比較される。 ネットワークの偽陽性率は28%減少している。 この改良は、主に低質量惑星に関連する小振幅信号の検出で観察される。 さらに、実行時間は従来の方法よりも5桁高速である。 アルゴリズムが示す優れた性能は、これまでシミュレーションされたラジアル速度データでのみテストされてきた。 原則として、リアルタイムシリーズでの使用に適応するのは簡単であるべきだが、その性能を徹底的にテストする必要がある。 今後は、太陽系外惑星検出のための貴重なツールとして採用される可能性を評価する必要がある。

関連論文リスト

• A Machine Learning approach for correcting radial velocities using physical observables [0.0]
  シミュレーションと実データを用いて、恒星の活動を自由なドップラーで測定するディープニューラルネットワーク手法の能力について検討する。 RV非依存的アプローチは、既知の物理的効果から急激なドップラー変動を大幅に低減できることを示す。 観測された変動率と補正の一致をよく観察するが,ノイズ低減はシミュレーションほど良くないことがわかった。
  論文  参考訳（メタデータ） (2023-01-30T13:25:00Z)
• MLGWSC-1: The first Machine Learning Gravitational-Wave Search Mock Data Challenge [110.7678032481059]
  第1回機械学習重力波探索モックデータチャレンジ(MLGWSC-1)の結果を示す。 この課題のために、参加するグループは、より現実的な雑音に埋め込まれた複雑さと持続期間が増大する二元ブラックホールの融合から重力波信号を特定する必要があった。 この結果から,現在の機械学習検索アルゴリズムは,限られたパラメータ領域においてすでに十分敏感である可能性が示唆された。
  論文  参考訳（メタデータ） (2022-09-22T16:44:59Z)
• Toward an understanding of the properties of neural network approaches for supernovae light curve approximation [53.180678723280145]
  時系列は、ピークや光度低下推定のような光度分類と特徴付けに使用される。 時系列は多次元で、不規則にサンプリングされ、外れ値を含み、明確に定義された体系的な不確実性を持たない。 単一光曲線の観測を近似するために,ニューラルネットワークに基づく光曲線近似法について検討する。
  論文  参考訳（メタデータ） (2022-09-15T18:00:08Z)
• Explainable AI Algorithms for Vibration Data-based Fault Detection: Use Case-adadpted Methods and Critical Evaluation [0.0]
  深層ニューラルネットワークアルゴリズムを用いて振動データを解析することは、回転機械の損傷を早期に検出する有効な方法である。 本研究では、振動に基づく状態監視のための畳み込みニューラルネットワークへの説明可能なAI(XAI)アルゴリズムの適用について検討する。
  論文  参考訳（メタデータ） (2022-07-21T19:57:36Z)
• DeepSNR: A deep learning foundation for offline gravitational wave detection [0.0]
  本稿では,Deep Learning Signal-to-Noise Ratio(DeepSNR)検出パイプラインを提案する。 DeepSNRの性能は、最初の観測結果から開放されたLIGOデータにおいて、二元ブラックホール融合候補とノイズ源とを識別することによって実証される。 その結果、より広い文脈で重力波や希少信号の科学的発見にDeepSNRが使われる方法が明らかにされた。
  論文  参考訳（メタデータ） (2022-07-11T10:18:33Z)
• alpha-Deep Probabilistic Inference (alpha-DPI): efficient uncertainty quantification from exoplanet astrometry to black hole feature extraction [7.5042943749402555]
  推論は、間接的および雑音の測定から隠れた天体物理学の特徴を推定する現代の天文学研究において重要である。 従来の後方推定手法にはサンプリングに基づく手法と変分推論がある。 生成ニューラルネットワークと組み合わせたアルファ・ディバージェンス変分推論を用いて、近似した後進を学習するディープラーニングフレームワークであるα-DPIを提案する。
  論文  参考訳（メタデータ） (2022-01-21T00:58:10Z)
• Real-time gravitational-wave science with neural posterior estimation [59.146060121850894]
  ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。 標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
  論文  参考訳（メタデータ） (2021-06-23T18:00:05Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Detection of gravitational-wave signals from binary neutron star mergers using machine learning [52.77024349608834]
  本稿では,重力波検出器の時系列ひずみデータを用いたニューラルネットワークに基づく機械学習アルゴリズムを提案する。 信号対雑音比が25未満の信号に対する感度は6因子改善した。 保守的な推定は、我々のアルゴリズムが信号の到着からアラート発生までの平均10.2秒の遅延を発生させることを示している。
  論文  参考訳（メタデータ） (2020-06-02T10:20:11Z)

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。