LensNet：利用循环神经网络增强韩国微引力透镜望远镜网络的实时微引力透镜事件发现
天体物理仪器与方法
2025-02-25 v1 地球与行星天体物理
星系天体物理
人工智能
摘要
传统的微引力透镜事件筛选方法需要高度训练的人类专家，且过程复杂耗时。这种对人工检查的依赖常常导致效率低下，并限制了大规模系外行星探测的能力，最终阻碍了发现率。为了解决传统微引力透镜事件筛选的局限性，我们开发了LensNet，一个机器学习流水线，专门用于区分真正的微引力透镜事件与由仪器伪像（如像素拖尾和衍射尖峰）引起的假阳性。我们的系统与一个检测通量上升趋势的初步算法协同工作。这些被标记的实例随后被传递给LensNet进行进一步分类，从而允许及时发出警报并进行后续观测。LensNet针对韩国微引力透镜望远镜网络(KMTNet)的多台站设置量身定制，并在丰富的手动分类事件数据集上训练，优化用于微引力透镜事件的早期检测和预警，使天文学家能够迅速组织后续观测。该流水线的内部模型采用多分支循环神经网络(RNN)架构，评估时间序列通量数据以及上下文信息，包括每次观测的天光背景、目标星的半高全宽、通量误差、PSF质量标志和大气质量。我们展示了超过87.5%的分类准确率，并预期随着我们扩大训练集和继续改进算法，准确率将进一步提高。
引用
@article{arxiv.2501.06293,
title = {LensNet: Enhancing Real-time Microlensing Event Discovery with Recurrent Neural Networks in the Korea Microlensing Telescope Network},
author = {Javier Viaña and Kyu-Ha Hwang and Zoë de Beurs and Jennifer C. Yee and Andrew Vanderburg and Michael D. Albrow and Sun-Ju Chung and Andrew Gould and Cheongho Han and Youn Kil Jung and Yoon-Hyun Ryu and In-Gu Shin and Yossi Shvartzvald and Hongjing Yang and Weicheng Zang and Sang-Mok Cha and Dong-Jin Kim and Seung-Lee Kim and Chung-Uk Lee and Dong-Joo Lee and Yongseok Lee and Byeong-Gon Park and Richard W. Pogge},
journal= {arXiv preprint arXiv:2501.06293},
year = {2025}
}
备注
23 pages, 13 figures, Accepted for publication in the The Astronomical Journal