Jul, 2022

Astroconformer：使用Transformer从恒星光曲线推断恒星表面重力

HTML
PDF
TL;DRAstroconformer是一种基于Transformer的模型，用于分析Kepler计划中的恒星光变曲线，并演示该方法在木星质量和稳健推断恒星和地球表面引力方面的优越性，可推广至Rubin Observatory的稀疏光变曲线数据。
发现论文，激发创造
  • 可扩展的端到端循环神经网络用于变星分类

    本文提出了一种基于深度学习的、端到端的自动变星分类算法，通过将光变曲线转化成矩阵表示来学习特征并实现自动分类，取得了与随机森林分类器相当的准确率，但计算速度更快、可扩展性更强。

    Feb, 2020

  • ASTROMER：基于Transformer的光曲线表示嵌入

    本文提出了一种基于transformer模型和自监督学习的ASTROMER，利用无需人工标注的大量数据对其进行预训练后，通过对新的光变源进行微调，将得到的表示迁移到其他调查中。该表示可以提取光曲线嵌入，以增强其他模型（如分类器或回归器）的训练，而使用ASTROMER嵌入减少了计算资源的需求，同时达到了最先进的结果。

    May, 2022

  • 基于深度学习的行星径向速度测量及星体变异的处理

    本文介绍了一种基于深度学习的方法来在恒星变化存在的情况下测量小行星的径向速度，该方法采用了神经网络，降低了三年HARPS-N太阳作为恒星的谱线的恒星RV抖动。作者设计和比较了降维和数据拆分方法，以及各种神经网络体系结构，包括单行CNN、单行CNN集合和多行CNN。作者通过注入类行星RV到谱线中并使用神经网络进行恢复，发现多行CNN能够恢复0.2 m/s的半振幅、50天的周期行星，并在振幅和周期上分别实现了8.8%和0.7%的误差。这种方法显示了缓解恒星RV变异和实现具有前所未有的精度探测小行星RV的前景。

    Apr, 2023

  • 区分行星凌日和虚假信号：一种基于Transformer的行星凌日信号分类方法

    本研究提出了一种新的基于深度学习（DL）的自动分类轨道信号的架构，并通过自我关注机制来捕捉信号与恒星参数的最重要特征，并利用注意力映射检验各元素的相关性以简化候选者的手动检查。结果表明，此DL模型应用于轻曲线数据可以作为探测轨道信号的一种强大技术，并提供了一定的可解释性。

    Apr, 2023

  • Astroconformer: 基于Transformer的深度学习模型分析恒星光度曲线的前景

    星体震荡、颗粒化、光曲线、机器学习和Astroconformer构成了这篇论文的主要研究内容。

    Sep, 2023

  • deep-REMAP: 使用正则化多任务学习参数化恒星光谱

    利用PHOENIX库的丰富合成光谱和MARVELS调查的观测数据，我们开发了一种名为deep-REMAP的深度正则化集成多任务学习框架，利用先进的机器学习技术准确预测恒星大气参数，从观测光谱中确定有效温度、表面重力和金属licity。结果表明，deep-REMAP在其他恒星库和性质上具有卓越的预测能力，为恒星表征提供了更复杂和自动化的技术。

    Nov, 2023

  • 深度学习与基于LLM的方法应用于恒星光变曲线分类

    利用机器学习深度学习技术，本研究评估了基于深度学习和大型语言模型的自动分类变星光变曲线模型的性能，并在天文学应用中展示了高准确率和多模态模型的发展。

    Apr, 2024

  • 基于深度学习的径向速度法改进地球类行星探测

    通过使用卷积神经网络在光谱水平有效模拟恒星活动信号，提高了地球类行星的检测准确性，并且实现了更低的检测阈值。

    May, 2024

  • AstroMAE：使用带有新型微调架构的掩码自编码器进行红移预测

    该研究解决了天文学中红移预测的挑战，传统方法依赖标签数据而效率低下。通过创新性地应用掩码自编码器，AstroMAE能够在没有标签的情况下捕获数据的全局模式，并在此基础上进行微调，使其在红移预测上表现更优。研究表明，AstroMAE的预训练模型和微调架构在比对中表现出色，推动了天文学领域的机器学习应用发展。

    Sep, 2024

  • 全景监控：一种新型深度学习模型用于在PLATO光曲线中检测单个过境事件

    本研究解决了传统过境检测方法因过滤步骤而影响过境形状和深度的问题。提出的Panopticon模型可直接在未过滤的光曲线上检测单个过境事件，且其有效性和精确度高，能够在低虚警率的情况下恢复超过85%的信号，尤其是能够保证回收深度超过180ppm的过境信号。这一方法为PLATO未来的光曲线分析提供了有力的工具支持。

    Sep, 2024