論文の概要: Astroconformer: The Prospects of Analyzing Stellar Light Curves with
Transformer-Based Deep Learning Models
- arxiv url: http://arxiv.org/abs/2309.16316v2
- Date: Thu, 18 Jan 2024 10:23:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-19 20:11:24.351285
- Title: Astroconformer: The Prospects of Analyzing Stellar Light Curves with
Transformer-Based Deep Learning Models
- Title(参考訳): astroconformer: トランスフォーマー型深層学習モデルによる恒星光曲線解析の展望
- Authors: Jia-Shu Pan, Yuan-Sen Ting, Jie Yu
- Abstract要約: 我々は、Transformerベースのディープラーニングフレームワークである$textitAstroconformer$を紹介した。
$textitAstroconformer$は優れたパフォーマンスを示し、データリッチなレシエーションで$log gapprox3$で0.017 dexのroot-mean-square-error(RMSE)を達成する。
$textitAstroconformer$は、高い精度で$nu_max$を抽出することにも長けている。
- 参考スコア(独自算出の注目度): 2.9203802343391057
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Stellar light curves contain valuable information about oscillations and
granulation, offering insights into stars' internal structures and evolutionary
states. Traditional asteroseismic techniques, primarily focused on power
spectral analysis, often overlook the crucial phase information in these light
curves. Addressing this gap, recent machine learning applications, particularly
those using Convolutional Neural Networks (CNNs), have made strides in
inferring stellar properties from light curves. However, CNNs are limited by
their localized feature extraction capabilities. In response, we introduce
$\textit{Astroconformer}$, a Transformer-based deep learning framework,
specifically designed to capture long-range dependencies in stellar light
curves. Our empirical analysis centers on estimating surface gravity ($\log
g$), using a dataset derived from single-quarter Kepler light curves with $\log
g$ values ranging from 0.2 to 4.4. $\textit{Astroconformer}$ demonstrates
superior performance, achieving a root-mean-square-error (RMSE) of 0.017 dex at
$\log g\approx3$ in data-rich regimes and up to 0.1 dex in sparser areas. This
performance surpasses both K-nearest neighbor models and advanced CNNs.
Ablation studies highlight the influence of receptive field size on model
effectiveness, with larger fields correlating to improved results.
$\textit{Astroconformer}$ also excels in extracting $\nu_{\max}$ with high
precision. It achieves less than 2% relative median absolute error for 90-day
red giant light curves. Notably, the error remains under 3% for 30-day light
curves, whose oscillations are undetectable by a conventional pipeline in 30%
cases. Furthermore, the attention mechanisms in $\textit{Astroconformer}$ align
closely with the characteristics of stellar oscillations and granulation
observed in light curves.
- Abstract(参考訳): 恒星の光曲線は振動や顆粒に関する貴重な情報を含み、恒星の内部構造や進化状態に関する洞察を与える。
主にパワースペクトル分析に焦点をあてた伝統的なアステローシズム技術は、しばしばこれらの光曲線における重要な位相情報を見落としている。
このギャップに対処するために、最近の機械学習アプリケーション、特に畳み込みニューラルネットワーク(cnns)は、光曲線から恒星の特性を推測する進歩を遂げている。
しかし、cnnは局所的な特徴抽出能力によって制限される。
これに反応して、我々は変圧器ベースのディープラーニングフレームワークである$\textit{astroconformer}$を導入する。
我々の経験分析は、0.2から4.4の値を持つ1/4ケプラー光曲線から得られたデータセットを用いて表面重力を推定することに焦点を当てている。
$\textit{astroconformer}$は優れたパフォーマンスを示し、sparserエリアで$\log g\approx3$、$0.1 dexで0.017 dexのroot-mean-square-error(rmse)を達成する。
この性能はKアレスト近隣モデルと高度なCNNを上回ります。
アブレーション研究は、受容野の大きさがモデルの有効性に与える影響を強調し、より大きなフィールドは改善された結果に関連している。
$\textit{Astroconformer}$も高い精度で$\nu_{\max}$を抽出することに長けている。
90日間の赤色巨光曲線の相対的な絶対誤差は2%未満である。
特に、従来のパイプラインでは30%のケースで振動が検出できない30日間の光曲線では、誤差は3%以下である。
さらに、$\textit{astroconformer}$の注意機構は、光曲線で観察される恒星振動と粒状化の特性と密接に一致している。
関連論文リスト
- One-dimensional Convolutional Neural Networks for Detecting Transiting
Exoplanets [39.58317527488534]
我々は、異なる望遠鏡とサーベイから得られる光曲線のトランジットを検出することができる人工ニューラルネットワークモデルを開発した。
我々は1次元畳み込みニューラルネットワークモデルを訓練し、検証するために、ケプラー望遠鏡(K2)の延長ミッションに期待されるものを模した人工光曲線を作成しました。
論文 参考訳(メタデータ) (2023-12-12T10:56:27Z) - Cosmology from Galaxy Redshift Surveys with PointNet [65.89809800010927]
宇宙論において、銀河赤方偏移サーベイは、宇宙における位置の置換不変な集まりに類似している。
我々は、ポイントクラウドデータから直接、宇宙パラメータの値を回帰するために、textitPointNetのようなニューラルネットワークを使用します。
我々のPointNetsの実装は、$mathcalO(104) - MathcalO(105)$銀河の入力を一度に分析できるので、この応用の初期の作業は、およそ2桁の精度で改善される。
論文 参考訳(メタデータ) (2022-11-22T15:35:05Z) - Neural Inference of Gaussian Processes for Time Series Data of Quasars [72.79083473275742]
クエーサースペクトルを完全に記述できる新しいモデルを提案する。
また、$textitNeural Inference$というガウス的プロセスパラメータの推論の新しいメソッドも導入しています。
CDRWモデルとNeural Inferenceの組み合わせはベースラインのDRWとMLEを大きく上回っている。
論文 参考訳(メタデータ) (2022-11-17T13:01:26Z) - Light curve completion and forecasting using fast and scalable Gaussian
processes (MuyGPs) [0.0]
商用オフザシェルフ(COTS)カメラによる地上観測は、高精度の機器に比べて安価である。
ノイズの多い観測と組み合わされたセンサの可用性は、ギャップの多い時系列データを生成することができる。
ディープニューラルネットワーク(DNN)は、複雑な非線形埋め込みを学習する経験的成功によって、選択のツールとなっている。
論文 参考訳(メタデータ) (2022-08-31T01:52:00Z) - 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) - Analytic Study of Families of Spurious Minima in Two-Layer ReLU Neural
Networks [15.711517003382484]
ヘッセンスペクトルは、$d$で成長する$Theta(d)$固有値を除いて、正近傍に集中していることが示される。
これにより、分岐理論の強力な道具を用いてミニマの作成と消滅が可能となる。
論文 参考訳(メタデータ) (2021-07-21T22:05:48Z) - Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。
ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。
本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
論文 参考訳(メタデータ) (2021-06-06T19:08:53Z) - RotNet: Fast and Scalable Estimation of Stellar Rotation Periods Using
Convolutional Neural Networks [0.903415485511869]
深層学習の力を利用して、ケプラー光曲線から恒星の自転周期を遅らせる。
我々は、回転周期を推定する現在の標準である、ランダムな森林回帰器、1D CNN、自動相関関数(ACF)に対して、我々の手法をベンチマークする。
論文 参考訳(メタデータ) (2020-12-02T07:14:11Z) - A Random Matrix Analysis of Random Fourier Features: Beyond the Gaussian
Kernel, a Precise Phase Transition, and the Corresponding Double Descent [85.77233010209368]
本稿では、データサンプルの数が$n$である現実的な環境で、ランダムフーリエ(RFF)回帰の正確さを特徴付けます。
この分析はまた、大きな$n,p,N$のトレーニングとテスト回帰エラーの正確な推定も提供する。
論文 参考訳(メタデータ) (2020-06-09T02:05:40Z) - Improved guarantees and a multiple-descent curve for Column Subset
Selection and the Nystr\"om method [76.73096213472897]
我々は,データ行列のスペクトル特性を利用して近似保証を改良する手法を開発した。
我々のアプローチは、特異値減衰の既知の速度を持つデータセットのバウンダリが大幅に向上する。
RBFパラメータを変更すれば,改良された境界線と多重発振曲線の両方を実データセット上で観測できることが示される。
論文 参考訳(メタデータ) (2020-02-21T00:43:06Z)
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。