利用深度学习识别系外行星。IV. 使用神经网络从视向速度测量中去除恒星活动信号
地球与行星天体物理
2022-08-03 v3 天体物理仪器与方法
太阳与恒星天体物理
机器学习
摘要
利用精密视向速度(RV)观测探测系外行星目前受到恒星活动引起的虚假RV信号的限制。我们表明,线性回归和神经网络等机器学习技术可以有效地从RV观测中去除活动信号(由星斑/亮斑引起)。以往的努力侧重于使用高斯过程回归等建模技术(Haywood等人2014)在时间上仔细滤除活动信号。相反,我们仅利用谱线平均形状的变化,且不利用任何关于观测采集时间的信息,系统地去除活动信号。我们在模拟数据(由SOAP 2.0软件生成;Dumusque等人2014)和来自HARPS-N太阳望远镜的太阳观测(Dumusque等人2015;Phillips等人2016;Collier Cameron等人2019)上训练了机器学习模型。我们发现,这些技术可以预测并去除模拟数据中的恒星活动(将RV散点从82 cm/s改善至3 cm/s),以及HARPS-N太阳望远镜在近三年中几乎每日采集的600多次真实观测中的恒星活动(将RV散点从1.753 m/s改善至1.039 m/s,约1.7倍的改善)。未来,这些或类似的技术可以去除太阳系外恒星观测中的活动信号,并最终有助于探测类太阳恒星周围宜居带地球质量系外行星。
引用
@article{arxiv.2011.00003,
title = {Identifying Exoplanets with Deep Learning. IV. Removing Stellar Activity Signals from Radial Velocity Measurements Using Neural Networks},
author = {Zoe L. de Beurs and Andrew Vanderburg and Christopher J. Shallue and Xavier Dumusque and Andrew Collier Cameron and Christopher Leet and Lars A. Buchhave and Rosario Cosentino and Adriano Ghedina and Raphaëlle D. Haywood and Nicholas Langellier and David W. Latham and Mercedes López-Morales and Michel Mayor and Giusi Micela and Timothy W. Milbourne and Annelies Mortier and Emilio Molinari and Francesco Pepe and David F. Phillips and Matteo Pinamonti and Giampaolo Piotto and Ken Rice and Dimitar Sasselov and Alessandro Sozzetti and Stéphane Udry and Christopher A. Watson},
journal= {arXiv preprint arXiv:2011.00003},
year = {2022}
}
备注
28 pages, 14 figures, Accepted for publication in the Astronomical Journal