論文の概要: Improving Earth-like planet detection in radial velocity using deep learning

• arxiv url: http://arxiv.org/abs/2405.13247v1
• Date: Tue, 21 May 2024 23:28:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-25 01:43:54.134561
• Title: Improving Earth-like planet detection in radial velocity using deep learning
• Title（参考訳）: 深層学習による放射速度における地球型惑星検出の改善
• Authors: Yinan Zhao, Xavier Dumusque, Michael Cretignier, Andrew Collier Cameron, David W. Latham, Mercedes López-Morales, Michel Mayor, Alessandro Sozzetti, Rosario Cosentino, Isidro Gómez-Vargas, Francesco Pepe, Stephane Udry,
• Abstract要約: 本稿では,スペクトルレベルでの恒星活動信号を効率的にモデル化する新しい畳み込みニューラルネットワークアルゴリズムを提案する。 アルファ・ケンタウリ B (HD128621)、タウ・セティ (HD10700)、太陽の3つで観測されている。 我々のアルゴリズムは、恒星の活動信号を緩和するのにさらに効率的であり、地球の軌道上の2.2$mathrmM_oplus$の惑星に対応する0.2m/sの閾値に達することができる。
• 参考スコア（独自算出の注目度）: 33.04110644981315
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many novel methods have been proposed to mitigate stellar activity for exoplanet detection as the presence of stellar activity in radial velocity (RV) measurements is the current major limitation. Unlike traditional methods that model stellar activity in the RV domain, more methods are moving in the direction of disentangling stellar activity at the spectral level. The goal of this paper is to present a novel convolutional neural network-based algorithm that efficiently models stellar activity signals at the spectral level, enhancing the detection of Earth-like planets. We trained a convolutional neural network to build the correlation between the change in the spectral line profile and the corresponding RV, full width at half maximum (FWHM) and bisector span (BIS) values derived from the classical cross-correlation function. This algorithm has been tested on three intensively observed stars: Alpha Centauri B (HD128621), Tau ceti (HD10700), and the Sun. By injecting simulated planetary signals at the spectral level, we demonstrate that our machine learning algorithm can achieve, for HD128621 and HD10700, a detection threshold of 0.5 m/s in semi-amplitude for planets with periods ranging from 10 to 300 days. This threshold would correspond to the detection of a $\sim$4$\mathrm{M}_{\oplus}$ in the habitable zone of those stars. On the HARPS-N solar dataset, our algorithm is even more efficient at mitigating stellar activity signals and can reach a threshold of 0.2 m/s, which would correspond to a 2.2$\mathrm{M}_{\oplus}$ planet on the orbit of the Earth. To the best of our knowledge, it is the first time that such low detection thresholds are reported for the Sun, but also for other stars, and therefore this highlights the efficiency of our convolutional neural network-based algorithm at mitigating stellar activity in RV measurements.
• Abstract（参考訳）: 放射速度(RV)測定における恒星活動の存在が現在の大きな限界であるとして、外惑星検出のための恒星活動を軽減するための多くの新しい手法が提案されている。 RV領域における恒星の活動をモデル化する従来の手法とは異なり、スペクトルレベルで恒星の活動を遠ざける方向に多くの手法が移動している。 本研究の目的は、恒星活動信号をスペクトルレベルで効率的にモデル化し、地球に似た惑星の検出を効率化する、新しい畳み込みニューラルネットワークベースのアルゴリズムを提案することである。 我々は畳み込みニューラルネットワークを訓練し、スペクトル線プロファイルの変化と対応するRV、半最大幅(FWHM)と古典的相互相関関数から得られるbisector span(BIS)の相関関係を構築した。 このアルゴリズムは、Alpha Centauri B (HD128621)、Tau ceti (HD10700)、そして太陽の3つでテストされている。 シミュレーションされた惑星信号をスペクトルレベルに注入することにより、我々の機械学習アルゴリズムがHD128621とHD10700に対して、半振幅で0.5m/sの検出閾値を10日から300日間の周期で達成できることを実証する。 この閾値は、これらの恒星の居住可能な領域における$\sim$4$\mathrm{M}_{\oplus}$の検出に対応する。 HARPS-Nの太陽データセットでは、我々のアルゴリズムは恒星の活動信号を緩和し、地球の軌道上の2.2$\mathrm{M}_{\oplus}$の惑星に対応する0.2m/sの閾値に達することができる。 我々の知る限りでは、このような低い検出しきい値が太陽だけでなく他の恒星にも報告されるのは初めてであり、そのため、RV測定における恒星活動の緩和のための畳み込みニューラルネットワークベースのアルゴリズムの効率性が強調される。

関連論文リスト

• Astrometric Binary Classification Via Artificial Neural Networks [0.0]
  人工ニューラルネットワーク(ANN)を用いて、星の集合が天文的二元対に属するか否かを自動分類する機械学習(ML)手法を提案する。 ANNは99.3%の精度、0.988の精度、0.991のリコール率、0.999のAUCを高い分類スコアで達成している。
  論文  参考訳（メタデータ） (2024-09-15T00:34:30Z)
• 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)
• NeuRBF: A Neural Fields Representation with Adaptive Radial Basis Functions [93.02515761070201]
  本稿では,信号表現に一般放射状基底を用いる新しいタイプのニューラルネットワークを提案する。 提案手法は, 空間適応性が高く, ターゲット信号により密着可能な, フレキシブルなカーネル位置と形状を持つ一般ラジアルベース上に構築する。 ニューラルラジアンス場再構成に適用した場合,本手法はモデルサイズが小さく,訓練速度が同等である最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2023-09-27T06:32:05Z)
• 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)
• ExoplANNET: A deep learning algorithm to detect and identify planetary signals in radial velocity data [0.0]
  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。
  論文  参考訳（メタデータ） (2023-03-16T14:16:19Z)
• 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)
• Identifying Exoplanets with Deep Learning. IV. Removing Stellar Activity Signals from Radial Velocity Measurements Using Neural Networks [36.77733316704363]
  本研究では,RV観測から活動信号(星点/星雲による)を効果的に除去できることを,機械学習技術が示している。 将来的には、これらの技術は太陽系外の恒星の観測から活動信号を取り除き、太陽に似た恒星の周囲に居住可能な地球質量の太陽系外惑星を検出するのに役立ちます。
  論文  参考訳（メタデータ） (2020-10-30T18:00:00Z)
• 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)
• On the Arbitrary-Oriented Object Detection: Classification based Approaches Revisited [94.5455251250471]
  まず,既存の回帰型回転検出器が抱える境界問題は,角周期性や角秩序によって引き起こされることを示した。 我々は、角予測タスクを回帰問題から分類問題に変換する。 得られた円形分布角分類問題に対して、まず、角度の周期性に対処し、隣り合う角度に対する誤差耐性を高めるために、円スムースラベル法を考案する。
  論文  参考訳（メタデータ） (2020-03-12T03:23:54Z)

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。