論文の概要: Modeling Doppler Shifts in Radial-Velocity Data with Deep Learning toward Earth-mass Exoplanet Detection

• arxiv url: http://arxiv.org/abs/2606.18464v1
• Date: Tue, 16 Jun 2026 20:16:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:50.88631
• Title: Modeling Doppler Shifts in Radial-Velocity Data with Deep Learning toward Earth-mass Exoplanet Detection
• Title（参考訳）: 地球質量外惑星検出に向けた深層学習による放射速度データのドップラーシフトのモデル化
• Authors: Isidro Gómez-Vargas, Xavier Dumusque, Yinan Zhao, Khaled Al Moulla, Michael Cretignier,
• Abstract要約: 我々は,地球質量惑星の放射速度データによる検出性を向上し,実際の可視スペクトルに一般化する枠組みを開発する。 我々は、HARPS-N太陽スペクトルに惑星シグナルを注入して人工ニューラルネットワークを訓練する。 我々の最も正確なニューラルネットワークモデルは、惑星信号の振幅、位相、軌道周期を確実に回収する。
• 参考スコア（独自算出の注目度）: 2.5394272598608474
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting the tiny Doppler shifts induced by Earth-mass planets in stellar radial-velocity measurements remains extremely challenging due to stellar activity. Many deep-learning methods performing well on simulated data remain difficult to apply reliably on real stellar spectra. The aim of this work is to develop a deep-learning framework that generalizes to real, unseen spectra and improves the detectability of Earth-mass planets in radial-velocity data. We train artificial neural networks on HARPS-N solar spectra with injected planetary signals, using physics-motivated spectral representations based on flux and line-formation temperature, together with their velocity gradients. Two training strategies are explored: hold-out testing and cross-validation. Model robustness is enhanced through genetic-algorithm-based hyperparameter optimization, and predictive uncertainty is quantified using Monte Carlo dropout. Our most precise neural network model reliably retrieves, under the cross-validation strategy, the amplitudes, phases, and orbital periods of planetary signals with amplitudes greater than or equal to 25 cm/s and periods between 10 and 550 days. In addition, in all cases tested here, the successfully recovered signals correspond to the most significant peaks in the periodograms of the Doppler-shift predictions. Temperature-based spectral-shell representations consistently outperform flux-based shells. We also release doppleriann, a Python package implementing the proposed framework. Our results demonstrate that combining physically motivated spectral representations with deep learning provides a promising pathway toward the detection of Earth-mass planets in radial-velocity data from real observations, supported by a modeling framework that is both physically grounded and statistically rigorous, incorporating uncertainty quantification and optimized training strategies.
• Abstract（参考訳）: 恒星の放射速度測定で地球質量惑星によって引き起こされる小さなドップラーシフトを検出することは、恒星活動のために非常に難しい。 シミュレーションデータでよく動作する多くのディープラーニング手法は、実際の恒星スペクトルに確実に適用することが難しいままである。 この研究の目的は、実際の可視スペクトルに一般化し、放射速度データにおける地球質量惑星の検出性を向上させるディープラーニングフレームワークを開発することである。 我々は, HARPS-N 太陽スペクトル上で, 速度勾配とともに, フラックスおよび線状温度に基づく物理動機付きスペクトル表現を用いて, 惑星シグナルを注入した人工ニューラルネットワークを訓練する。 ホルドアウトテストとクロスバリデーションの2つのトレーニング戦略が検討されている。 モデルロバストネスは遺伝的アルゴリズムに基づくハイパーパラメータ最適化によって向上し、モンテカルロのドロップアウトを用いて予測の不確かさを定量化する。 我々の最も正確なニューラルネットワークモデルは、10日から550日の間に振幅が25cm/s以上の惑星信号の振幅、位相、軌道周期を確実に回収する。 さらに、ここで試験された全てのケースにおいて、正常に回復した信号は、ドップラーシフト予測の周期図における最も重要なピークに対応する。 温度ベースのスペクトルシェル表現はフラックスベースのシェルよりも一貫して優れている。 提案されたフレームワークを実装するPythonパッケージであるdoppleriannもリリースしています。 以上の結果から, 物理的に動機付けられたスペクトル表現と深層学習を組み合わせることで, 物理基底と統計的に厳密なモデリングフレームワークが支持し, 不確実な定量化と最適化されたトレーニング戦略を取り入れた, 実観測から地球質量惑星を検出するための有望な経路が得られた。

関連論文リスト

• DispFormer: A Pretrained Transformer Incorporating Physical Constraints for Dispersion Curve Inversion [56.64622091009756]
  本研究では、レイリー波位相と群分散曲線からプロファイルインバージョンを$v_s$とするトランスフォーマーベースのニューラルネットワークであるDispFormerを紹介する。 DispFormerは各期間に分散データを個別に処理し、ネットワークの変更やデータセットのトレーニングとテストの厳格な調整を必要とせずに、さまざまな長さを処理できる。
  論文  参考訳（メタデータ） (2025-01-08T09:08:24Z)
• 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)
• Improving Earth-like planet detection in radial velocity using deep learning [33.04110644981315]
  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。
  論文  参考訳（メタデータ） (2024-05-21T23:28:20Z)
• 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)
• 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)
• Understanding of the properties of neural network approaches for transient light curve approximations [37.91290708320157]
  本稿では,観測光曲線を時間と波長で近似する最良性能法を提案する。 テストデータセットには、PLAsTiCCと実際のZwicky Transient Facility Bright Transient Survey光曲線のシミュレーションが含まれている。
  論文  参考訳（メタデータ） (2022-09-15T18:00:08Z)
• Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
  ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。 標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
  論文  参考訳（メタデータ） (2021-06-23T18:00:05Z)

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。