地基巡天中行星候选体的自动甄别：基于 NGTS 的机器学习
地球与行星天体物理
2018-06-06 v1 天体物理仪器与方法
摘要
最先进的系外行星凌星巡天正在产生日益增长的数据量。为了充分利用这一资源，无论是为了探测有趣的行星系统还是为了确定准确的行星种群统计，都需要新的自动化方法。在此我们描述一种机器学习算法，它构成 NGTS 凌星巡天管道的一个有机组成部分，展示了机器学习在多夜地基巡天数据中筛选行星候选体的功效。我们的方法结合随机森林与自组织映射来对行星候选体排序，在 NGTS 数据中对 12368 颗注入行星与 27496 个假阳性取得 97.6% 的 AUC 分数。我们基于过往范例，利用注入凌星信号构成训练集，这是将类似方法应用于即将开展的巡天所必需的发展。我们还将用于实现该算法的 \texttt{autovet} 代码公开。\texttt{autovet} 旨在对行星候选体执行机器学习的甄别，并可采用多种方法。机器学习技术无论是在天基还是性质不同的地基数据上均表现出明显的鲁棒性，这凸显了它们对 TESS 和 PLATO 等未来巡天的重要性，以及在系外行星背景下更好理解其优势与缺陷的必要性。
引用
@article{arxiv.1805.07089,
title = {Automatic vetting of planet candidates from ground based surveys: Machine learning with NGTS},
author = {David J. Armstrong and Maximilian N. Günther and James McCormac and Alexis M. S. Smith and Daniel Bayliss and François Bouchy and Matthew R. Burleigh and Sarah Casewell and Philipp Eigmüller and Edward Gillen and Michael R. Goad and Simon T. Hodgkin and James S. Jenkins and Tom Louden and Lionel Metrailler and Don Pollacco and Katja Poppenhaeger and Didier Queloz and Liam Raynard and Heike Rauer and Stéphane Udry and Simon. R. Walker and Christopher A. Watson and Richard G. West and Peter J. Wheatley},
journal= {arXiv preprint arXiv:1805.07089},
year = {2018}
}
备注
Accepted for publication in MNRAS, 15 pages