DeepTTV：基于凌星时刻变化的隐藏系外行星深度学习预测
地球与行星天体物理
2024-09-10 v1 天体物理仪器与方法
机器学习
摘要
凌星时刻变化（TTV）提供了关于系外行星质量和轨道特性的丰富信息，这些信息通常通过马尔可夫链蒙特卡洛（MCMC）求解反问题来获得。在本文中，我们设计了一种新的数据驱动方法，该方法有望应用于传统MCMC方法难以解决的问题，例如只有一颗行星凌星的情况。具体来说，我们使用深度学习方法，以单凌星系统的凌星信息（即TTV和凌星持续时间变化（TDV））作为输入，来预测非凌星伴星的参数。得益于一种新构建的基于Transformer的架构，该架构能够从TTV序列数据中提取长程相互作用，这项以前困难的任务现在可以高精度地完成，质量和偏心率的总体分数误差约为2%。
引用
@article{arxiv.2409.04557,
title = {DeepTTV: Deep Learning Prediction of Hidden Exoplanet From Transit Timing Variations},
author = {Chen Chen and Lingkai Kong and Gongjie Li and Molei Tao},
journal= {arXiv preprint arXiv:2409.04557},
year = {2024}
}
备注
13 pages, 6 figures and 5 tables submitted to AAS journals, comments welcome