利用卷积神经网络识别潜在系外卫星信号
地球与行星天体物理
2021-09-23 v1 机器学习
摘要
在可预见的未来，对可能的系外卫星宿主系统的针对性观测仍将难以获取且分析耗时。因此，Kepler、K2 和 TESS 等时域巡天将继续作为识别候选系外卫星系统的第一步发挥关键作用，随后可利用顶级地基或天基望远镜进行跟踪观测。在本工作中，我们训练了一组卷积神经网络（CNNs）集合，以识别 Kepler 观测到的单凌星事件中的候选系外卫星信号。我们的训练集由注入 Kepler 光曲线的约 27,000 个合成的单凌星样本（仅行星、以及行星+卫星）组成。单个 CNN 架构的分类准确率最高达 88%，而当 CNN 集合完全一致时，在验证集中识别卫星的精确率达 97%。随后我们将该 CNN 集合应用于 1880 个周期大于 10 天的 Kepler 感兴趣天体（约 57,000 次独立凌星）的光曲线，并通过向每条光曲线注入行星凌星来进一步检验 CNN 分类器的准确性，从而量化残差恒星活动可能导致假阳性分类的程度。我们发现其中一小部分凌星含有类卫星信号，但提醒不宜据此结果对系外卫星出现率做强推断。最后我们讨论了利用神经网络进行系外卫星搜索所面临的一些持续挑战。
引用
@article{arxiv.2109.10503,
title = {Identifying Potential Exomoon Signals with Convolutional Neural Networks},
author = {Alex Teachey and David Kipping},
journal= {arXiv preprint arXiv:2109.10503},
year = {2021}
}
备注
14 pages, 13 figures, 1 table. Accepted for publication in Monthly Notices of the Royal Astronomical Society, 15 September 2021