超越球面几何：利用深度学习从恒星轨道天体的遮光曲线中解析复杂特征

从遮光曲线中表征围绕恒星运行天体的几何形状是一条强大的工具，可揭示各种复杂现象。该问题本质上是病态的，因为相似或相同的遮光曲线可由多种不同形状产生。本研究调查了形状特征在遮光曲线中嵌入的程度。我们生成二维随机形状的库，并用光曲线模拟器 Yuti 模拟其遮光曲线。每个形状分解为一系列用傅里叶系数表示的椭圆成分，后者以递增递减的扰动形式添加到理想椭圆上。我们训练深度神经网络直接从模拟的遮光曲线预测这些傅里叶系数。我们的结果表明，神经网络成功重建了低阶椭圆，这些椭圆描述了整体形状、方向和大尺度扰动。对于高阶椭圆，尺度被成功确定，但推断离心率和方向受限，显示出遮光曲线中形状信息的范围。我们探讨了非凸形状特征在重建中的影响，并显示其对形状方向的依赖性。神经网络所实现的重建水平 underscores 使用遮光曲线作为从遮光系统中提取几何信息的手段的实用性。