Reti neurali convoluzionali unidimensionali per il rilevamento di esopianeti in transito

Reti neurali convoluzionali unidimensionali per il rilevamento di esopianeti in transito

Modello grafico della nostra CNN. In giallo la forma dei dati in input; Negli strati convoluzionali blu; Nel salmone gli strati sono densi. In verde, l’output della rete neurale. Le linee tra gli strati indicano la funzione di attivazione, la perdita e lo strato piatto, quando appropriato. — Ph.EP astronomico

Una delle tecniche di rilevamento degli esopianeti più rilevanti è il metodo del transito, che consiste nel rilevare eclissi periodiche nelle curve di luce delle stelle.

Ciò non è sempre facile a causa del rumore nelle curve di luce, causato, ad esempio, dalla risposta del telescopio al flusso stellare. Per questo motivo miriamo a sviluppare un modello di rete neurale artificiale in grado di rilevare questi transiti in curve di luce ottenute da diversi telescopi e rilievi.

Abbiamo generato curve di luce artificiale con e senza incroci per cercare di imitare quelle previste per la missione estesa del telescopio Kepler (K2) al fine di addestrare e validare un modello di rete neurale convoluzionale 1D, che è stato successivamente testato, ottenendo una precisione del 99,02%. L’errore stimato (funzione di perdita) è 0,03. Questi risultati, tra gli altri, hanno contribuito a confermare che la CNN 1D è una buona scelta per lavorare con curve di luce di Mandel e Agol non convoluzionali a fasi con transiti.

Riduce inoltre il numero di curve di luce che devono essere ispezionate visivamente per determinare se presentano segnali simili al transito e riduce il tempo necessario per analizzare ciascuna di esse (rispetto all’analisi convenzionale).

Santiago Iglesias Alvarez, Enrique Díez Alonso, María Luisa Sanchez, Javier Rodriguez Rodriguez, Fernando Sanchez Lacheras, Francisco Javier de Cos Juez

READ  Il murale di uno studente del Surrey su un container incoraggia l'inclusività

Argomenti: Astrofisica terrestre e planetaria (astro-ph.EP); Strumenti e Metodi Astrofisici (astro-ph.IM); Apprendimento automatico (cs.LG)
Citare come: arXiv:2312.07161 [astro-ph.EP] (Oppure arXiv:2312.07161v1 [astro-ph.EP] per questa versione)
ID digitale rilevante:
https://doi.org/10.3390/axioms12040348
Concentrati per saperne di più
Data di presentazione
Da: Santiago Iglesias
[v1] Martedì 12 dicembre 2023, 10:56:27 UTC (4.001 KB)
https://arxiv.org/abs/2312.07161

astrobiologia, astronomia,

Explorers Club Fellow, ex direttore del carico utile della Stazione Spaziale degli Stati Uniti/astrobiologo, ExoTeams, giornalista, Violator Climber, Synaesthete, Na’Vi-Jedi-Freman-Buddhist-mix, ASL, Devon Island e veterano del campo base dell’Everest, (lui/lui) 🖖 🏻

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *