MMMar, 2023

ExoplANNET：一种用于检测和识别径向速度数据中行星信号的深度学习算法

PDF
TL;DR本文探究了使用神经网络在恒星本身相关噪声影响下的径向速度法中替代传统测试方法的可行性，并取得了较好的结果。通过使用合成的数据，该算法的虚阳性误差降低了 28％，并且其执行速度比传统方法快五个数量级。
exoplanet detectionradial velocity methodmachine learning algorithmsneural networkcorrelated noise
发现论文，激发创造
  • 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

  • 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

  • 使用深度学习识别系外行星：Kepler-80 周围的五个共振系行星链和 Kepler-90 周围的第八个行星

    文章介绍了使用深度学习对开普勒探测器发现的潜在系外行星信号进行分类鉴别的方法，并应用到已知多行星系统中发现两个新的行星，其中一个则是在 Kepler-80 周围的五个行星的 3 体 - 拉普拉斯共振链中。

    Dec, 2017

  • 浅层凌星 - 深度学习 I：探测系外行星周期性凌星的深度学习可行性研究

    使用深度神经网络解决红色（相关）噪声问题，以便更好地侦测未来行星探测空间任务（如 PLATO）中的可居住星球。

    Nov, 2017

  • 高对比度光谱学中的机器学习用于外行星探测：将互相关图和深度学习应用于中分辨率整体场谱

    通过使用监督深度学习算法，将光谱和空间维度相结合，我们开发了一种新的方法，以提高积分场谱学（IFS）数据集的高对比度外行星的检测灵敏度。在将光谱维度转化为径向速度维度后，机器学习算法的真阳率受径向分离变化的影响较小，能够减少误报并提高对直接成像行星在 IFS 数据集中的检测限制。

    May, 2024

  • 基于机器学习的 Gaia 天体测量外行星轨道的识别

    通过机器学习方法，利用 Gaia 的星动轨道解决方案，确定太阳附近约 500 光年范围内的恒星系中可能的太阳系外行星和棕矮星伴星，提出 22 个最佳候选对象，其中四个是太阳系外行星候选，另外五个是非常大的棕矮星或非常低质量的恒星。

    Apr, 2024

  • 利用统计和深度学习模型结合多光谱数据，提高高对比度直接成像中外行星的检测

    该研究基于卷积神经网络，结合空间，时间和光谱特征，利用多次观测的图像数据中残留信号检测方法，有效提高了外行星探测的精度和召回率。

    Jun, 2023

  • 利用机器学习技术识别和分类系外行星

    本文探讨了如何使用深度学习算法和 Siamese 结构将 Kepler 太空望远镜以及其扩展任务 K2 的数据进行分类，结果表明 Siamese 算法在低数据情况下表现良好，并可用于识别恒星周围行星的存在。

    May, 2023

  • 一维卷积神经网络检测行星凌变

    开发了一个能够检测来自不同望远镜和调查中的光曲线中的短时（transits）的人工神经网络模型，结果表明 1D CNN 是处理非相位折叠的光曲线具有短时的良好选择，并减少了传统分析所需要的时间。

    Dec, 2023

  • 使用一维卷积神经网络计算行星凌星参数

    通过使用模拟的光度曲线注入了类似于行星运动信号的两个一维卷积神经网络模型，在真实数据测试中证明了这些模型能够从恒星去除趋势的光度曲线中表征恒星行星的性质，并且相较于当前的探测和描述算法，降低了所需时间和计算成本。

    Feb, 2024