通过额外指标增强神经网络对星际活动 RV 信号的消除能力
地球与行星天体物理
2026-02-23 v1 天体物理仪器与方法
太阳与恒星天体物理
摘要
使用径向速度( RV )技术测量系外行星质量目前受到星际活动的限制，该现象引入的准周期性变率信号必须被建模和消除以增强 RV 测量对系外行星信号的灵敏度。之前的研究已在HARPS-N 太阳数据中使用白光交叉关联函数( CCFs) demonstrated 神经网络在建模星际活动信号方面效果良好。建立在此基础上，我们使用包含额外参数（包括色差 CCFs、线形特征指标、光谱活动指示器、总太阳辐射( TSI )来自 SORCE 和 TSIS-1 的光度曲线以及 TSI 时间导数）训练的神经网络。我们的结果表明，像二分之一斜率和 Na D 等效宽度这样的参数与仅使用白光 CCFs 相比，未显著提高神经网络预测活动引起的 RV 变异能力。然而，像无符号磁通、TSI 及其时间导数、S 指数、H-α 等效宽度、色差 CCFs、对比度和全宽半高值这样的参数会提高神经网络预测 RV 散点的能力。我们的新模型将在held-out 测试集中的 RV 散点从 147.1 cm/s 降至 93.3 cm/s， 与先前研究中报告的超孔流噪声水平相符。这些结果表明，寻找有效的(超)孔流噪声探针将至关重要，以训练能够进一步消除 RV 噪声的模型，以及必要用于表征类似地球的系外行星。
引用
@article{arxiv.2602.17760,
title = {Identifying Exoplanets with Deep Learning VI. Enhancing neural network mitigation of stellar activity RV signals with additional metrics},
author = {Naomi McWilliam and Zoë L. de Beurs and Andrew Vanderburg and Javier Viaña and Annelies Mortier and Lars A. Buchhave and Andrew Collier Cameron and Rosario Cosentino and Xavier Dumusque and Adriano Ghedina and Ben Lakeland and Marcello Lodi and Mercedes López-Morales and Dimitar Sasselov and Alessandro Sozzetti},
journal= {arXiv preprint arXiv:2602.17760},
year = {2026}
}
备注
31 pages, 16 figures, 5 tables. Accepted for publication in AJ