Dec, 2023

用于探测系外行星凌日的 GPU 相位折叠和深度学习方法

PDF
TL;DRGPFC 是一种新颖的图形处理单元（GPU）相位折叠和卷积神经网络（CNN）系统，用于利用凌日法检测系外行星。该系统采用在 GPU 上并行化的快速折叠算法来放大信噪比低的凌日信号，从而以高精度和速度进行搜索。经过对两百万个合成光曲线进行训练的 CNN 报告了每个周期可能性的得分，GPFC 在速度上比现有的盒形拟合最小二乘（BLS）方法快了三个数量级。模拟结果显示，与 BLS 相比，GPFC 实现了 97% 的训练准确性，在相同的误报率下具有更高的真阳性率和在相同的检测率下具有更高的准确性。在 Kepler 光曲线中进行盲搜索时，GPFC 可以完全恢复已知的超短周期行星。这些结果突显了 GPFC 作为替代传统 BLS 算法在 Kepler 和其他空间凌日任务（如 K2、TESS 和未来的 PLATO 和 Earth 2.0）的数据中寻找新的凌日行星的潜力。
发现论文，激发创造
  • 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

  • 使用 GPU 相位折叠和深度学习检测系统在开普勒观测中发现围绕 KG 矮星运行的小型超短周期行星

    自 1995 年发现第一颗热木星绕一个类太阳恒星，即 Peg 51，以来，利用各种观测技术已经确认了 4000 多颗系外行星。本研究利用一种新的 GPU 相位折叠算法和卷积神经网络，称为 GPFC 方法，在 Kepler 光变数据上进行了研究。该方法大大提高了传统的箱式最小二乘法的过境搜索速度，使得可以在几小时内使用商用 GPU 卡对已知 KOI 光变数据进行完整搜索。迄今为止，我们已经确定了五个有前途的短周期次地球候选者。这些小型系外行星的发现突显了 GPFC 方法在 Kepler、TESS 和未来的航天过境任务中搜索小型新过境系外行星的潜力。

    Dec, 2023

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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