論文の概要: Beyond Spherical geometry: Unraveling complex features of objects orbiting around stars from its transit light curve using deep learning

• arxiv url: http://arxiv.org/abs/2509.14875v1
• Date: Thu, 18 Sep 2025 11:44:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.195108
• Title: Beyond Spherical geometry: Unraveling complex features of objects orbiting around stars from its transit light curve using deep learning
• Title（参考訳）: 球面幾何学を超えて:深層学習を用いたトランジット光曲線から恒星の周りを公転する天体の複雑な特徴を明らかにする
• Authors: Ushasi Bhowmick, Shivam Kumaran,
• Abstract要約: 我々は、シミュレーションされた光曲線から直接フーリエ係数を予測するために、ディープニューラルネットワークを訓練する。 その結果,ニューラルネットワークは低次楕円の再構築に成功していることがわかった。 ニューラルネットワークによって達成された再構築のレベルは、トランジットシステムから情報を取り出す手段として光曲線を使うことの有用性を裏付けている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Characterizing the geometry of an object orbiting around a star from its transit light curve is a powerful tool to uncover various complex phenomena. This problem is inherently ill-posed, since similar or identical light curves can be produced by multiple different shapes. In this study, we investigate the extent to which the features of a shape can be embedded in a transit light curve. We generate a library of two-dimensional random shapes and simulate their transit light curves with light curve simulator, Yuti. Each shape is decomposed into a series of elliptical components expressed in the form of Fourier coefficients that adds increasingly diminishing perturbations to an ideal ellipse. We train deep neural networks to predict these Fourier coefficients directly from simulated light curves. Our results demonstrate that the neural network can successfully reconstruct the low-order ellipses, which describe overall shape, orientation and large-scale perturbations. For higher order ellipses the scale is successfully determined but the inference of eccentricity and orientation is limited, demonstrating the extent of shape information in the light curve. We explore the impact of non-convex shape features in reconstruction, and show its dependence on shape orientation. The level of reconstruction achieved by the neural network underscores the utility of using light curves as a means to extract geometric information from transiting systems.
• Abstract（参考訳）: トランジット光曲線から恒星の周りを公転する天体の幾何学を特徴付けることは、様々な複雑な現象を明らかにする強力なツールである。 類似または同一の光曲線は複数の異なる形状で生成できるため、この問題は本質的に不適切である。 本研究では, 透過光曲線に形状の特徴が埋め込まれる範囲について検討した。 我々は2次元ランダムな形状のライブラリを生成し、その遷移光曲線を光曲線シミュレータYutiでシミュレートする。 各形状はフーリエ係数の形で表される一連の楕円成分に分解され、理想楕円に減少する摂動を増す。 我々は、シミュレーションされた光曲線から直接これらのフーリエ係数を予測するために、ディープニューラルネットワークを訓練する。 その結果、ニューラルネットワークは、全体形状、向き、大規模摂動を記述した低次楕円体を再構築することに成功した。 高次の楕円に対して、スケールはうまく決定されるが、偏心性や向きの推測は限られており、光曲線における形状情報の範囲が示される。 再建における非凸形状の特徴の影響を考察し,その形状方向への依存性を示す。 ニューラルネットワークによって達成された再構築のレベルは、通過系から幾何学的情報を抽出する手段として光曲線を使うことの有用性を裏付けている。

関連論文リスト

• RotaTouille: Rotation Equivariant Deep Learning for Contours [0.02491171962188218]
  本稿では,輪郭データから学習するフレームワークであるRotaTouilleを紹介する。 これは複素値の円形畳み込みによって回転と循環シフトの同変を達成する。 また、同値な非線形性、粗い層、大域的なプール層を導入・特徴付けする。
  論文  参考訳（メタデータ） (2025-08-22T13:05:55Z)
• WIR3D: Visually-Informed and Geometry-Aware 3D Shape Abstraction [13.645442589551354]
  WIR3Dは、3Dで視覚的に意味のある曲線のスパースセットを通して3D形状を抽象化する技術である。 ベジエ曲線のパラメータを最適化し、それらが幾何学的特徴と健全な視覚的特徴の両方を忠実に表現する。 形状の広いデータセットに対して, 形状の抽象化を行う手法をうまく適用した。
  論文  参考訳（メタデータ） (2025-05-07T21:28:05Z)
• 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)
• From Complexity to Clarity: Analytical Expressions of Deep Neural Network Weights via Clifford's Geometric Algebra and Convexity [54.01594785269913]
  我々は,標準正規化損失のトレーニングにおいて,深部ReLUニューラルネットワークの最適重みがトレーニングサンプルのウェッジ積によって与えられることを示した。 トレーニング問題は、トレーニングデータセットの幾何学的構造をエンコードするウェッジ製品機能よりも凸最適化に還元される。
  論文  参考訳（メタデータ） (2023-09-28T15:19:30Z)
• Curve Your Attention: Mixed-Curvature Transformers for Graph Representation Learning [77.1421343649344]
  本稿では,一定曲率空間の積を完全に操作するトランスフォーマーの一般化を提案する。 また、非ユークリッド注意に対するカーネル化されたアプローチを提供し、ノード数とエッジ数に線形に時間とメモリコストでモデルを実行できるようにします。
  論文  参考訳（メタデータ） (2023-09-08T02:44:37Z)
• Gradient-Based Feature Learning under Structured Data [57.76552698981579]
  異方性設定では、一般的に使用される球面勾配力学は真の方向を回復できないことがある。 バッチ正規化を連想させる適切な重み正規化は、この問題を軽減することができることを示す。 特に、スパイクモデルの下では、勾配に基づくトレーニングのサンプルの複雑さは情報指数とは独立にできる。
  論文  参考訳（メタデータ） (2023-09-07T16:55:50Z)
• Curved Geometric Networks for Visual Anomaly Recognition [39.91252195360767]
  データ分布の根底にある性質を理解するために潜伏埋め込みを学ぶことは、曲率ゼロのユークリッド空間でしばしば定式化される。 本研究では,データ中の異常やアウト・オブ・ディストリビューション・オブジェクトを解析するための曲線空間の利点について検討する。
  論文  参考訳（メタデータ） (2022-08-02T01:15:39Z)

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。