用机器学习分类的物体测量柯伊伯带的平面
通过深度学习技术,使用基于贝叶斯神经网络的新颖内部结构学习预测指标,成功预测行星系统的不稳定性,并且在不同情境下表现出了强大的泛化能力和计算速度,为预测行星系统不稳定性提供了新方法。
Jan, 2021
利用混合密度网络(MDN)和机器学习建立了ExoMDN模型,可以在1秒内处理获得行星每个层次的质量分数和厚度的完整后验分布,对小于25个地球质量的合成行星进行训练,并用于表征22个已确认的系外行星,包括GJ 1214 b,GJ 486 b和TRAPPIST-1行星等。模型可以方便地处理观察误差,并展示如何将流体Love数k2作为额外的(潜在的)观察量来减少内部结构的退化。利用ExoMDN的快速预测,测量约10%的k2精度可以约束地球类似体的核和地幔的厚度约为真实值的13%。
Jun, 2023
本文研究了如何使用机器学习对共轨行星中的小行星进行分类。通过考虑不同种类的运动以及时间序列特征提取等方法,我们展示了机器学习算法在识别和分类时间序列方面的高性能。
Sep, 2023
使用完全贝叶斯方法将高斯过程回归扩展到包括核选择和核超参数的边际化。同时通过证据执行贝叶斯模型比较,实现了直接核比较。方法在合成数据和实际天体测量中得到了验证。
Nov, 2023
利用卷积神经网络从原行星盘的尘埃连续辐射中分析子结构并快速推测嵌入行星的质量的一种深度学习工具(DBNets)研究成果显示:其能够有效评估行星质量并考虑建模和技术引入的相关不确定性,通过测试及观察的结果证实了其适用性和准确性。
Feb, 2024
利用Juno任务收集的数据进行的磁场勘探可以提供关于木星内部结构的限制。本文利用物理信息神经网络重建了木星内部磁场,并对使用Juno轨道的前33次(PINN33)或前50次(PINN50)的数据进行了重建。与其他方法相比,我们的重建结果与木星的磁场在表面和上方的情况非常相似,并且与Juno数据的拟合也类似。然而,我们的模型不受深度噪声的干扰,因此能够更清晰地描绘内部结构。我们估计,该星体边界位于半径的0.8倍处。在这个深度,磁场被排列成经向带,而巨大的蓝斑似乎根源于相邻结构的反向磁通。
Mar, 2024
使用大规模多样性的训练集和经过精心选择的基于数值积分的TNO轨道动力学数据特征,我们提出了一种改进的监督式机器学习分类器,其返回结果与人工分类器相匹配的频率为98%,与动力学相关的分类为99.7%。这种分类器比人工分类方法效率更高,将改善观测和建模的TNO数据分类。
May, 2024
通过比较分析法和机器学习方法,本研究建立了一个数据集,其中包含了大约三百万种不同时间和燃料优化控制问题的传输方式,对于长传输,机器学习方法显示出更好的性能,这对于在小行星带中的任务机会的有效探索具有重要意义。
May, 2024
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
本研究针对盘-行星系统参数推断中的数据缺失和噪声问题,提出了Disk2Planet,这是一种基于机器学习的工具,能够自动化地从观测到的原行星盘结构中推断关键参数。研究表明,Disk2Planet可以在三分钟内提供高达百分之一的准确性,显著提高了盘-行星相互作用的理解和分析效率。
Sep, 2024