論文の概要: Inferring Asteroseismic Parameters from Short Observations Using Deep Learning: Application to TESS and K2 Red Giants
- arxiv url: http://arxiv.org/abs/2605.08051v1
- Date: Fri, 08 May 2026 17:41:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 19:43:39.247555
- Title: Inferring Asteroseismic Parameters from Short Observations Using Deep Learning: Application to TESS and K2 Red Giants
- Title（参考訳）: 深層学習を用いた短周期観測からの天体地震パラメータ推定:TESSおよびK2赤色巨星への応用
- Authors: Nipun Ghanghas, Siddharth Dhanpal, Shravan Hanasoge, Praneeth Netrapalli, Karthikeyan Shanmugam,
- Abstract要約: 我々は,短周期観測から無テロリズムパラメータを推定するための機械学習(ML)に基づく手法を開発した。
具体的には、赤色巨星の1ヶ月にわたるTESS観測から、大周波数分離($)と最大出力での周波数($_mathrmmax$)の2つの大域地震パラメータに着目した。
我々の機械学習アルゴリズムは,1ヶ月のケプラーとK2の観測から得られたサンプルの約50%に対して,$$と$_mathrmmax$を正確に推論できることを示した。
- 参考スコア（独自算出の注目度）: 27.255616889521203
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Asteroseismology is the study of resonant oscillations of stars to infer their internal structure and dynamics. It is also a powerful tool for precisely determining stellar parameters such as mass, radius, surface gravity, and age. The ongoing TESS mission, with its nearly complete sky coverage, presents a unique opportunity to uniformly probe stellar populations across the Milky Way. TESS is estimated to have observed more than 300,000 oscillating red giants, most of which have one to two months of observations. Given the scale of this dataset, we need a fast, efficient, and robust way to analyse the data. In this work, our objective is to develop a machine learning (ML) based method to infer asteroseismic parameters from short-duration observations. Specifically, we focus on two global seismic parameters, the large frequency separation ($Δν$) and the frequency at maximum power ($ν_{\mathrm{max}}$), from one-month-long TESS observations of red giants. Meanwhile, for K2 data, our focus extends to inferring the period spacings of dipolar gravity modes ($ΔΠ_{1}$), in addition to $Δν$ and $ν_{\mathrm{max}}$. Our findings demonstrate that our machine learning algorithm can accurately infer $Δν$ and $ν_{\mathrm{max}}$ for approximately 50% of samples created by taking one-month Kepler and K2 observations. For TESS one sector data however, we recover reliable $Δν$ for only about 23% of the stars. Additionally, we get reliable $ΔΠ_{1}$ inferences for about 200 young red-giants from K2. For these $ΔΠ_{1}$ inferences, we see a good match with the well known $Δν-ΔΠ_{1}$ degenerate sequence observed in Kepler red-giants.
- Abstract（参考訳）: アステロジストロジー(Asteroseismology)は、恒星の内部構造と力学を推測する共鳴振動の研究である。
また、質量、半径、表面重力、年齢などの恒星のパラメータを正確に決定するための強力なツールでもある。
現在進行中のTESSミッションは、ほぼ完全な天空をカバーし、天の川にまたがる星団を均一に探査するユニークな機会を提供する。
TESSは、30万以上の赤色巨星を観測したと推定されており、そのほとんどは1〜2ヶ月の観測である。
このデータセットの規模を考えると、高速で効率的で堅牢なデータ分析方法が必要です。
本研究の目的は,短周期観測から非テロリズムパラメータを推定する機械学習(ML)に基づく手法を開発することである。
具体的には、赤色巨星の1ヶ月にわたるTESS観測から、大周波数分離(Δν$)と最大出力での周波数(ν_{\mathrm{max}}$)の2つの大域的地震パラメータに着目した。
一方、K2 のデータについては、Δν$ と $ν_{\mathrm{max}}$ に加えて、双極子重力モードの周期間隔を推定することに焦点が当てられている。
我々の機械学習アルゴリズムは1ヶ月のケプラーとK2の観測で得られたサンプルの約50%に対して$Δν$と$ν_{\mathrm{max}}$を正確に推論できることを示した。
しかし、TESSの一セクターデータでは、約23%の恒星に対して信頼できる$Δν$を回収する。
さらに、K2 から約200 人の若い赤子に対して、$Δ\_{1}$ の信頼度が得られます。
これらの$Δα_{1}$の推論に対して、ケプラーレッドガントで観測されたよく知られた$Δν-Δα_{1}$退化列とよく一致することが分かる。
関連論文リスト
- Near-Optimal Clustering in Mixture of Markov Chains [74.3828414695655]
我々は、長さ$H$の軌跡を、大きさ$S$の有限状態空間上の未知のエルゴードマルコフ鎖の1つによって生成される、$T$ trajectories of length $H$の問題を研究する。
我々は、連鎖の遷移核間の重み付きKL分散によって支配されるクラスタリングエラー率に基づいて、インスタンス依存で高い確率の低い境界を導出する。
次に,新しい2段階クラスタリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-06-02T05:10:40Z) - 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) - KPZ scaling from the Krylov space [83.88591755871734]
近年,Cardar-Parisi-Zhangスケーリングをリアルタイムの相関器や自動相関器に示す超拡散が報告されている。
これらの結果から着想を得て,Krylov演算子に基づく相関関数のKPZスケーリングについて検討する。
論文 参考訳（メタデータ） (2024-06-04T20:57:59Z) - Kernel-, mean- and noise-marginalised Gaussian processes for exoplanet
transits and $H_0$ inference [0.0]
太陽系外惑星トランジット光曲線シミュレーションの合成データを用いてカーネル回収と平均関数推定を行った。
この手法は平均関数と雑音モデルに対して限界化に拡張された。
宇宙クロノメーターデータセットの核後部は非定常線形核を好む。
論文 参考訳（メタデータ） (2023-11-07T17:31:01Z) - Astroconformer: The Prospects of Analyzing Stellar Light Curves with
Transformer-Based Deep Learning Models [2.9203802343391057]
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。
論文 参考訳（メタデータ） (2023-09-28T10:13:23Z) - Reconstructing the Hubble parameter with future Gravitational Wave
missions using Machine Learning [0.0]
機械学習(ML)アルゴリズムであるガウス過程(GP)の展望を,2つの重力波ミッションでハッブルパラメータ$H(z)$を再構築するためのツールとして検討する。
eLISAとETは、現在のデータセットから推測されるものと競合する$H(z)$と$H_0$の制約を提供することができる。
論文 参考訳（メタデータ） (2023-03-09T10:51:08Z) - 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) - DeepLSS: breaking parameter degeneracies in large scale structure with
deep learning analysis of combined probes [0.0]
我々は、弱い重力レンズと銀河クラスタリングを組み合わせた深層学習分析により、これらの退化を効果的に破壊できることを示した。
これらの退化によって、$sigma_8$と$Omega_m$の制約パワーが大幅に向上し、メリットの数値が15倍になった。
これらの結果は、機械学習による宇宙論的推論に対する、完全に数値的な地図に基づく前方モデリングアプローチが、今後のLSS調査において重要な役割を果たすことを示唆している。
論文 参考訳（メタデータ） (2022-03-17T21:08:31Z) - Augmenting astrophysical scaling relations with machine learning :
application to reducing the SZ flux-mass scatter [2.0223261087090303]
We study the Sunyaev-Zeldovich flux$-$cluster mass relation(Y_mathrmSZ-M$)
我々は、Y_mathrmSZ$とイオン化ガスの濃度を組み合わせたクラスター質量の新しいプロキシを求める。
以上の結果から,$c_mathrmgas$への依存は,外部よりも大きな散乱を示すクラスタのコアに関係していることが分かる。
論文 参考訳（メタデータ） (2022-01-04T19:00:01Z)
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。