論文の概要: DBNets: A publicly available deep learning tool to measure the masses of
young planets in dusty protoplanetary discs
- arxiv url: http://arxiv.org/abs/2402.12448v1
- Date: Mon, 19 Feb 2024 19:00:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 18:54:00.128449
- Title: DBNets: A publicly available deep learning tool to measure the masses of
young planets in dusty protoplanetary discs
- Title（参考訳）: DBNets: ほこりだらけの原始惑星円盤の若い惑星の質量を測定するための公開のディープラーニングツール
- Authors: Alessandro Ruzza, Giuseppe Lodato, Giovanni Pietro Rosotti
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 49.1574468325115
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Current methods to characterize embedded planets in protoplanetary disc
observations are severely limited either in their ability to fully account for
the observed complex physics or in their computational and time costs. To
address this shortcoming, we developed DBNets: a deep learning tool, based on
convolutional neural networks, that analyses substructures observed in the dust
continuum emission of protoplanetary discs to quickly infer the mass of
allegedly embedded planets. We focussed on developing a method to reliably
quantify not only the planet mass, but also the associated uncertainty
introduced by our modelling and adopted techniques. Our tests gave promising
results achieving an 87% reduction of the log Mp mean squared error with
respect to an analytical formula fitted on the same data (DBNets metrics: lmse
0.016, r2-score 97%). With the goal of providing the final user of DBNets with
all the tools needed to interpret their measurements and decide on their
significance, we extensively tested our tool on out-of-distribution data. We
found that DBNets can identify inputs strongly outside its training scope
returning an uncertainty above a specific threshold and we thus provided a
rejection criterion that helps determine the significance of the results
obtained. Additionally, we outlined some limitations of our tool: it can be
reliably applied only on discs observed with inclinations below approximately
60{\deg}, in the optically thin regime, with a resolution 8 times better than
the gap radial location and with a signal-to-noise ratio higher than
approximately ten. Finally, we applied DBNets to 33 actual observations of
protoplanetary discs measuring the mass of 48 proposed planets and comparing
our results with the available literature. We confirmed that most of the
observed gaps imply planets in the sub-Jupiter regime. DBNets is publicly
available at dbnets.fisica.unimi.it.
- Abstract（参考訳）: 原始惑星系円盤観測において、組み込み惑星を特徴づける現在の手法は、観測された複雑な物理を十分に考慮する能力、あるいは計算と時間的コストに大きく制限されている。
この欠点に対処するため,我々は畳み込みニューラルネットワークに基づくディープラーニングツールDBNetsを開発し,原始惑星系円盤の塵の連続放出で観測されたサブ構造を分析し,埋め込まれたとされる惑星の質量を素早く推定する。
我々は、惑星質量だけでなく、モデリングや採用技術によってもたらされる不確実性を確実に定量化する手法の開発に注力した。
実験の結果,同一データに適合する解析式 (DBNets 測定値: lmse 0.016, r2-score 97%) に対して,ログMpの平均2乗誤差を87%削減できる有望な結果を得た。
dbnetsの最終的なユーザに対して、測定値の解釈と重要性の決定に必要なすべてのツールを提供することを目的として、分散データに関する当社のツールを広範囲にテストしました。
その結果、dbnetsは訓練範囲外の入力を特定でき、特定の閾値以上の不確実性を返すことができ、その結果の意義を決定するのに役立つ拒絶基準を提供することができた。
さらに,本ツールの限界を概説した: 約60{\deg}以下のインクリメントで観察されたディスクに対してのみ,光学的に薄い方法では,ギャップ半径位置の8倍の解像度で,信号対雑音比が約10以上で確実に適用できる。
最後に,提案する48個の惑星の質量を測定した33個の原始惑星円盤の実際の観測にDBNetを適用した。
我々は、観測された空隙のほとんどが、サブ・ジュピター・レジームの惑星であることを確認した。
DBNetsはdbnets.fisica.unimi.itで公開されている。
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) - Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。
本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
論文 参考訳（メタデータ） (2024-07-12T18:00:02Z) - 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) - Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with
Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。
従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
論文 参考訳（メタデータ） (2022-07-07T17:55:26Z) - Deep Learning Models of the Discrete Component of the Galactic
Interstellar Gamma-Ray Emission [61.26321023273399]
H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。
深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
論文 参考訳（メタデータ） (2022-06-06T18:00:07Z) - Using Bayesian Deep Learning to infer Planet Mass from Gaps in
Protoplanetary Disks [0.0]
ディスクギャップから惑星質量を予測する深層学習ネットワーク「DPNNet-Bayesian」を導入する。
我々のアプローチのユニークな特徴は、ディープラーニングアーキテクチャに関連する不確実性と、入力データに固有の不確実性とを区別できることです。
このネットワークは、それぞれ86.0 pm 5.5 M_Earth $、43.8 pm 3.3 M_Earth $、92.2 pm 5.1 M_Earth $と予測している。
論文 参考訳（メタデータ） (2022-02-23T19:00:05Z) - PGNets: Planet mass prediction using convolutional neural networks for
radio continuum observations of protoplanetary disks [0.0]
原始惑星円盤中の若い惑星によって誘導される構造は、潜在的に若い惑星の性質を推測するために用いられる。
2次元画像から惑星質量を推定するためのPlanet Gap Neural Networks(PGNets)を開発した。
線形フィッティング法で見られる$alpha$$propto $M_p3$を再現する。
論文 参考訳（メタデータ） (2021-11-30T08:12:08Z) - DPNNet-2.0 Part I: Finding hidden planets from simulated images of
protoplanetary disk gaps [6.2194417376659015]
DPNNet citepaud20に次いで第2のDPNNet-2.0を導入し,原始惑星円盤のシミュレーション画像から直接外惑星質量を予測する。
この研究は、アタカマ大 (sub-)Millimeter Array) のような望遠鏡による塵面密度マップで観測された惑星間隙から外惑星の質量を直接抽出するコンピュータビジョン(CNNの実装)の利用に向けた最初のステップである。
論文 参考訳（メタデータ） (2021-07-19T18:00:31Z) - Exoplanet Validation with Machine Learning: 50 new validated Kepler
planets [13.986963122264633]
現在知られている4000個の太陽系外惑星のうち30%以上が「検証」によって発見されている。
本稿では,事前確率を考慮した確率論的惑星検証を行うための機械学習アルゴリズムを実証する。
論文 参考訳（メタデータ） (2020-08-24T15:35:21Z) - Bayesian Neural Networks for Fast SUSY Predictions [58.720142291102135]
本稿では,機械学習を用いて,BSM理論のパラメータ空間から予測へのマッピングをモデル化する。
3つの量はすべて平均パーセントの誤差3.34%以下でモデル化され、結果が導出される超対称性符号よりもはるかに短い時間でモデル化される。
結果は、機械学習がBSM理論の高次元空間から予測へのマッピングを正確にモデル化する可能性のさらなる実証である。
論文 参考訳（メタデータ） (2020-07-09T01:45:06Z)
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。