AESTRA：用于存在恒星活动时精确视向速度估计的深度学习模型
地球与行星天体物理
2023-12-01 v1 天体物理仪器与方法
摘要
恒星活动会干扰精确视向速度测量，并限制我们探测和刻画行星（尤其是类地行星）的能力。我们提出 \aestra（Auto-Encoding STellar Radial-velocity and Activity，自编码恒星视向速度与活动），一种用于精确视向速度测量的深度学习方法。它结合了一个谱自编码器（学习建立恒星静止参考系光谱的真实模型）和一个视向速度估计器（学习在由线轮廓变化引起的伪位移存在下识别真实多普勒位移）。由于采用自监督，\aestra 训练不需要“地面真值”视向速度，因此可应用于真实值未知的系外行星宿主恒星。在涉及 1,000 条模拟光谱的测试中，即便每条光谱存在 3 m/s 的活动诱导噪声与 0.3 m/s 的光子噪声，\aestra 仍能探测低至 0.1 m/s 的行星信号。
引用
@article{arxiv.2311.18326,
title = {AESTRA: Deep Learning for Precise Radial Velocity Estimation in the Presence of Stellar Activity},
author = {Yan Liang and Joshua N. Winn and Peter Melchior},
journal= {arXiv preprint arXiv:2311.18326},
year = {2023}
}
备注
14 pages, 12 figures. Accepted for publication in The Astronomical Journal