利用深度学习与公民科学标签发现长周期系外行星
地球与行星天体物理
2022-11-15 v1 天体物理仪器与方法
机器学习
摘要
鉴于现代望远镜巡天的规模，自动化行星凌星检测对于优先处理候选体以供专家分析已变得至关重要。虽然当前针对短周期系外行星检测的方法因光变曲线中的周期性而有效，但缺乏检测单凌星事件的稳健方法。然而，Planet Hunters TESS (PHT) 项目近期收集的志愿者标注凌星数据，为研究数据驱动的长周期系外行星检测方法提供了前所未有的机会。在本工作中，我们训练了一个一维卷积神经网络，使用 PHT 志愿者评分为训练数据来对行星凌星进行分类。我们发现使用志愿者评分相比合成数据显著提升了性能，并能够以与志愿者相当的精度和召回率恢复已知行星。重要的是，该模型还能恢复志愿者发现但被当前自动化方法遗漏的凌星事件。
引用
@article{arxiv.2211.06903,
title = {Discovering Long-period Exoplanets using Deep Learning with Citizen Science Labels},
author = {Shreshth A. Malik and Nora L. Eisner and Chris J. Lintott and Yarin Gal},
journal= {arXiv preprint arXiv:2211.06903},
year = {2022}
}
备注
Accepted at the Machine Learning and the Physical Sciences workshop, NeurIPS 2022