May, 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

PDF
TL;DR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。
high-contrast imaging instrumentsexoplanetsintegral-field spectroscopymachine learning algorithmsspectral dimension
发现论文，激发创造
  • 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

  • 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

  • 利用机器学习在全景调查成像中进行探索

    本文利用机器学习算法在时间域巡天数据中搜索天体物理学方面的发现，并提供了每个新观测源是可靠变亮源的概率性声明。通过 Palomar 暂现工厂的验证集，证明了该算法的性能好，并且不易受到训练数据错标签的影响。

    Sep, 2012

  • 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

  • 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

  • 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

  • 利用深度学习重建太阳系外行星大气参数

    本研究利用深度学习和反向建模技术相结合的多模态架构，提出一种多目标概率回归方法，从外行星中提取大气参数，克服了计算限制，胜过先前的方法，在外行星大气的高效分析上做出了重要贡献，并为未来研究提供了有价值的见解。

    Oct, 2023

  • 用机器学习从印有碘的 Keck/HIRES 光谱推断恒星参数

    机器学习方法可从印有碘吸收线光谱中高准确度地推断恒星参数和化学丰度，为不需要碘模板光谱的情况下快速估计大量恒星参数提供了一种有效新途径。

    Jan, 2024