从首届ARIEL机器学习挑战赛汲取的经验：针对恒星黑子修正凌系外行星光变曲线
天体物理仪器与方法
2020-11-02 v1 机器学习
摘要
过去十年见证了系外行星发现与表征领域的快速增长。然而，若干重大挑战依然存在，其中许多可借助机器学习方法解决。例如，最具成效的系外行星探测及若干特征推断方法——凌星测光法，对恒星黑子的存在极为敏感。文献中的现行做法是通过目视识别黑子效应并手动修正或丢弃受影响数据。本文探讨了在存在恒星黑子情况下，从凌星光变曲线高效且精确推导凌星深度的全自动化第一步。我们呈现的方法与结果源自为欧洲空间局即将发射的Ariel任务组织的首届机器学习挑战赛。我们首先提出问题、模拟的Ariel类数据并概述该挑战赛，同时指明未来组织类似挑战赛的最佳实践。最后，我们展示排名前5的获胜团队所得方案，提供其代码并讨论其意义。成功的方案或是构建对原始数据高度非线性、预处理极少的模型——深度神经网络与集成方法——或是从光变曲线中获取有意义统计量并构建线性模型，后者亦取得相当好的预测性能。
引用
@article{arxiv.2010.15996,
title = {Lessons Learned from the 1st ARIEL Machine Learning Challenge: Correcting Transiting Exoplanet Light Curves for Stellar Spots},
author = {Nikolaos Nikolaou and Ingo P. Waldmann and Angelos Tsiaras and Mario Morvan and Billy Edwards and Kai Hou Yip and Giovanna Tinetti and Subhajit Sarkar and James M. Dawson and Vadim Borisov and Gjergji Kasneci and Matej Petkovic and Tomaz Stepisnik and Tarek Al-Ubaidi and Rachel Louise Bailey and Michael Granitzer and Sahib Julka and Roman Kern and Patrick Ofner and Stefan Wagner and Lukas Heppe and Mirko Bunse and Katharina Morik},
journal= {arXiv preprint arXiv:2010.15996},
year = {2020}
}
备注
20 pages, 7 figures, 2 tables, Submitted to The Astrophysics Journal (ApJ)