基于卷积神经网络在 TESS 全帧图像光变曲线中识别行星凌星候选体
地球与行星天体物理
2021-05-26 v2 天体物理仪器与方法
机器学习
摘要
凌星系外行星巡天卫星 (TESS) 任务在其两年主任务期间测量了约 75% 天区中恒星的光，产生了数百万条 TESS 30 分钟 cadence 光变曲线以供分析以搜寻凌星系外行星。为在这一海量数据中搜寻凌星信号，我们旨在提供一种计算高效且预测性能优异的方法。该方法将所需的人工搜寻工作量降至最低。我们提出了一种卷积神经网络，训练其识别行星凌星信号并排除假阳性。对于给定的光变曲线进行预测时，我们的网络无需使用其他方法预先识别的凌星参数。我们的网络在单块 GPU 上对一条 TESS 30 分钟 cadence 光变曲线进行推断耗时约 5ms，从而能够实现大规模存档搜寻。我们给出了由我们的网络识别出的 181 个新行星候选体，它们通过了后续旨在排除假阳性的人工审查。我们的神经网络模型也作为开源代码提供以供公众使用和扩展。
引用
@article{arxiv.2101.10919,
title = {Identifying Planetary Transit Candidates in TESS Full-Frame Image Light Curves via Convolutional Neural Networks},
author = {Greg Olmschenk and Stela Ishitani Silva and Gioia Rau and Richard K. Barry and Ethan Kruse and Luca Cacciapuoti and Veselin Kostov and Brian P. Powell and Edward Wyrwas and Jeremy D. Schnittman and Thomas Barclay},
journal= {arXiv preprint arXiv:2101.10919},
year = {2021}
}
备注
Updated to match AJ revision