論文の概要: Single Transit Detection In Kepler With Machine Learning And Onboard Spacecraft Diagnostics

• arxiv url: http://arxiv.org/abs/2403.03427v1
• Date: Wed, 6 Mar 2024 03:16:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-07 16:26:55.798816
• Title: Single Transit Detection In Kepler With Machine Learning And Onboard Spacecraft Diagnostics
• Title（参考訳）: 機械学習と搭載型宇宙船によるケプラーの単一トランジット検出
• Authors: Matthew T. Hansen and Jason A. Dittmann
• Abstract要約: 長い軌道周期での太陽系外惑星の発見には、システムに関する追加情報なしで個々のトランジットを確実に検出する必要がある。 本稿では,EmphKeplerの宇宙船診断を取り入れた畳み込みニューラルネットワークのアンサンブルを用いて,光曲線内のトランジットを分類する手法を提案する。 私たちのニューラルネットワークパイプラインは、EmphKeplerデータセットで、そして重要なことに、$eta$-Earthレシエーション内で、追加の惑星を発見する可能性がある。
• 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: Exoplanet discovery at long orbital periods requires reliably detecting individual transits without additional information about the system. Techniques like phase-folding of light curves and periodogram analysis of radial velocity data are more sensitive to planets with shorter orbital periods, leaving a dearth of planet discoveries at long periods. We present a novel technique using an ensemble of Convolutional Neural Networks incorporating the onboard spacecraft diagnostics of \emph{Kepler} to classify transits within a light curve. We create a pipeline to recover the location of individual transits, and the period of the orbiting planet, which maintains $>80\%$ transit recovery sensitivity out to an 800-day orbital period. Our neural network pipeline has the potential to discover additional planets in the \emph{Kepler} dataset, and crucially, within the $\eta$-Earth regime. We report our first candidate from this pipeline, KOI 1271.02. KOI 1271.01 is known to exhibit strong Transit Timing Variations (TTVs), and so we jointly model the TTVs and transits of both transiting planets to constrain the orbital configuration and planetary parameters and conclude with a series of potential parameters for KOI 1271.02, as there is not enough data currently to uniquely constrain the system. We conclude that KOI 1271.02 has a radius of 5.32 $\pm$ 0.20 $R_{\oplus}$ and a mass of $28.94^{0.23}_{-0.47}$ $M_{\oplus}$. Future constraints on the nature of KOI 1271.02 require measuring additional TTVs of KOI 1271.01 or observing a second transit of KOI 1271.02.
• Abstract（参考訳）: 長い軌道周期での太陽系外惑星の発見は、システムに関する追加情報なしで個々のトランジットを確実に検出する必要がある。 光度曲線の位相フォールディングやラジアル速度データの周期分析といった技術は、軌道周期が短い惑星よりも感度が高く、長い期間に多くの惑星の発見が残されている。 本稿では,光曲線内での遷移を分類するために,船上探査機の診断を取り入れた畳み込みニューラルネットワークのアンサンブルを用いた新しい手法を提案する。 我々は、個々のトランジットの位置と軌道上の惑星の周期を回復するパイプラインを作成し、800日間の軌道周期から80セントのトランジット回復感度を維持する。 私たちのニューラルネットワークパイプラインは、emph{Kepler}データセットで、そして重要なことに、$$\eta$-Earth政権内で、追加の惑星を発見する可能性がある。 このパイプラインの最初の候補であるKOI 1271.02を報告します。 KOI 1271.01は、強いトランジットタイミング変化(TTV)を示すことで知られており、トランジット惑星のTTVとトランジットを共同でモデル化して、軌道構成と惑星パラメータを制約し、現在システムに一意に制約する十分なデータが存在しないため、KOI 1271.02の潜在的なパラメータを一連のパラメータで結論付ける。 KOI 1271.02 の半径は 5.32 $\pm$ 0.20 $R_{\oplus}$ であり、質量は 28.94^{0.23}_{-0.47}$ M_{\oplus}$ である。 将来のKoI 1271.02の性質に関する制約は、KoI 1271.01のさらなるTTVの測定や、KoI 1271.02の2回目のトランジットの観測を必要とする。

関連論文リスト

• Panopticon: a novel deep learning model to detect single transit events with no prior data filtering in PLATO light curves [0.0]
  我々は,高精度な光度曲線の遷移を検出するための深層学習モデルであるPanopticonを開発した。 シミュレーションされたPLATO光曲線を用いて, 惑星, 楕円形, 背景楕円形のいずれかのピクセルレベルでモデルを訓練した。 このアプローチは、未濾過光度曲線でさえも、地球カタログの25%以上を含む、我々のテスト人口の90%を回復することができる。
  論文  参考訳（メタデータ） (2024-09-05T12:21:51Z)
• 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)
• Computing Transiting Exoplanet Parameters with 1D Convolutional Neural Networks [0.0]
  2つの1次元畳み込みニューラルネットワークモデルが提示される。 1つのモデルは完全な光曲線で動作し、軌道周期を推定する。 もう1つは位相折りたたみ光曲線を演算し、軌道の半主軸と惑星と恒星の半径比の正方形を推定する。
  論文  参考訳（メタデータ） (2024-02-21T10:17:23Z)
• 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)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)
• Predicting the Stability of Hierarchical Triple Systems with Convolutional Neural Networks [68.8204255655161]
  本稿では,階層型三重項の安定性を予測する畳み込みニューラルネットワークモデルを提案する。 すべてのトレーニングされたモデルは公開されており、純粋な$N$-bodyメソッドよりも200ドルの速さで階層的な3重システムの安定性を予測することができる。
  論文  参考訳（メタデータ） (2022-06-24T17:58:13Z)
• Semi-signed neural fitting for surface reconstruction from unoriented point clouds [53.379712818791894]
  より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。 SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。 我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
  論文  参考訳（メタデータ） (2022-06-14T09:40:17Z)
• Alleviating the Transit Timing Variations bias in transit surveys. II. RIVERS: Twin resonant Earth-sized planets around Kepler-1972 recovered from Kepler's false positive [0.0]
  ケプラー-1972 c(ケプラー-1972 c)は、ケプラー-1972 bによって摂動される地球サイズの惑星である。 信号の暗さにもかかわらず、RIVERS法を用いて惑星の移動を回収した。 このバイアスを緩和することは、ケプラー系、TESS星のいくつか、そして今後のPLATOミッションの偏見のない視点に不可欠である。
  論文  参考訳（メタデータ） (2022-01-27T11:53:13Z)
• Alleviating the transit timing variation bias in transit surveys. I. RIVERS: Method and detection of a pair of resonant super-Earths around Kepler-1705 [0.0]
  トランジットタイミング変動(TTV)は、トランジットによって観測されるシステムに有用な情報を提供する。 それらはまた、トランジットサーベイで小さな惑星を検出するのを防ぐ検出バイアスとして振る舞うことができる。 本稿では,大規模なTTVに対してロバストな検出手法を提案する。
  論文  参考訳（メタデータ） (2021-11-12T17:15:52Z)
• Identifying Potential Exomoon Signals with Convolutional Neural Networks [0.0]
  コンボリューションニューラルネットワーク(CNN)のアンサンブルをトレーニングし、ケプラーが観測した単一トランジットイベントにおける候補エクソモオン信号を特定する。 これらのトランジットのごく一部には月のような信号が含まれているが、この結果からエキソモンの発生率の強い推測には注意が必要である。
  論文  参考訳（メタデータ） (2021-09-22T03:37:09Z)
• 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)

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。