May, 2023

行星凌日信号分类器的多重性增强：使用 ExoMiner 的多重性增强验证 69 个新系外行星

PDF
TL;DR本文提出一种基于多重性信息的框架以提高已有的行星凌日信号验证器的性能，并将其应用于多种现有的验证器中。最终，使用这个框架验证了来自 Kepler 目录的 69 颗新的行星。
exoplanetsvalidation techniquesmultiplicity informationclassifierskepler catalog
发现论文，激发创造
  • 不是行星：使用机器学习从行星猎人 TESS 中去除虚假阳性

    使用一维卷积神经网络（CNN）从潜在行星候选者中将掩星双星和其他假阳性分离出来，从而减少需要人工审核的光曲线数量。该方法可将需要手动审核的光曲线数量减少三分之一，并且对行星候选者的误分类非常小。

    May, 2024

  • 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

    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。

    Mar, 2023

  • 利用卷积神经网络在高对比光谱中进行行星外行星检测：揭示交叉相关光谱中隐藏的分子特征

    利用机器学习和分子模板的交叉相关光谱方法提高对系外行星的检测灵敏度，为未来的望远镜和仪器开发提供支持。

    May, 2024

  • 利用机器学习和机载航天器诊断技术在克卫星上进行单次转运检测

    通过使用一组卷积神经网络和开普勒宇宙飞船的诊断工具，我们提出了一种新的技术，可以在光度曲线中对行星凌星进行分类，并且可以保持高达 80％的准确度，对高达 800 天的轨道周期的行星凌星进行定位和周期恢复。

    Mar, 2024

  • K2 数据中凌日行星的系统搜索

    本文介绍了一种用于在 K2 星表的光线曲线上搜索外行星证据的方法，该方法同时对系统误差和感兴趣的过境信号进行拟合。基于该方法，作者在第一次观测活动中，发现了 36 个行星候选者，对这些候选者的属性进行了后验分布分析。

    Feb, 2015

  • 多行星系中的外行星预测与利用人工智能确定行星与主星参数之间的相关性

    通过 Titius-Bode 关系，在 229 个至少有三个或更多被确认存在行星的多行星系统中，发现了大约 53% 的系统中的行星比太阳系的行星更好地遵循对数间距关系。通过机器学习方法分析 762 个被确认存在的系外行星和八个太阳系行星的数据，发现行星质量、公转周期和恒星质量在预测系外行星半径方面起着关键作用，并且还观察到巨大行星的半径与其宿主恒星质量之间存在强相关性，为巨大行星形成和恒星特性之间的关系提供了有趣的见解。

    Feb, 2024

  • 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

  • 利用机器学习进行异常检测，在系外行星大气中寻找新颖的化学反应

    下一代望远镜将提供大量高分辨率光谱数据，用于分析成千上万个系外行星。我们提倡将机器学习技术应用于异常检测，以识别具有不寻常化学组成甚至寻找未知生物特征的行星的恒星过境光谱。我们成功地证明了两种流行的异常检测方法（局部异常因子和单类支持向量机）在大型公开数据库的合成光谱上的可行性，并使用 ROC 曲线量化和比较了这两种机器学习技术的性能。

    Aug, 2023

  • ExoSGAN 和 ExoACGAN：使用对抗训练算法进行太阳系外行星探测

    本研究使用半监督生成对抗网络和辅助分类器生成对抗网络来检测 K2 数据中的瞬变系外行星，发现这些模型的使用对于瞬变系外行星的辨别非常有帮助，同时我们的技术可提高数据分类的效率，解决数据标记的困难问题。

    Jul, 2022

  • 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