Sep, 2023

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

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 光度曲线的深度学习分类

    通过对光变曲线进行二维图像表示，并使用基于深度学习的卷积神经网络分类器进行分类，实现了对天体多样化的快速分类。

    Sep, 2017

  • 变星的深度多次观测分类

    本研究提出了一种基于卷积神经网络的深度学习模型，通过灵活的数据增强和无需特征的卷积层，能够高效准确地实现光变星分类。

    Oct, 2018

  • 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

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

    Astroconformer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。

    Jul, 2022

  • 基于深度学习的目标检测算法识别光变信号。II. 通用光变曲线分类框架

    利用弱监督目标检测模型，通过深度学习框架对光变曲线进行分类，自动提取时间域和频率域数据进行特征提取，以实现对不同尺度和采样间隔的数据处理，达到了87%的准确率，无需重新训练或微调，并结合适应性预测确保真实标签覆盖和异常检测算法识别外分布对象，为研究者提供了一个简化设计自定义分类器任务的通用框架。

    Nov, 2023

  • TESS全幅图像光变曲线中的短周期变量通过卷积神经网络识别

    通过卷积神经网络，该论文提供了一种高效、高性能的方法，能够在大规模存档搜索中进行预测和识别短周期变量，从而揭示了短周期主序双星和Delta Scuti星等两个主要种群的特征。

    Feb, 2024

  • 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

  • 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