利用机器学习在暗能量巡天中搜寻跨海王星天体
地球与行星天体物理
2020-12-11 v2 天体物理仪器与方法
机器学习
摘要
本文研究了在暗能量巡天（DES）数据中，将机器学习与轨道拟合结合使用如何提高跨海王星天体（TNOs）的搜寻效率。多个 TNO 看似在其轨道参数上表现出相似性，这一发现引出了一种猜想：外太阳系中可能存在一颗或多颗未被探测到的行星，即尚未被发现的“第九行星”。DES 处于探测此类行星的有利位置，且已被用于发现许多其他 TNO。在此，我们使用由埋藏在真实 DES 噪声数据中的模拟 TNO 组成的数据集，对八种不同的监督机器学习算法进行了测试。我们发现表现最佳的分类器是随机森林，其在优化后对稀有物体的检测表现良好。我们实现了受试者工作特征（ROC）曲线下面积（AUC）。在优化随机森林的决策阈值后，我们实现了 0.96 的召回率，同时保持 0.80 的精确率。最后，通过使用优化后的分类器进行对象预选，我们能够将检测流程中轨道拟合阶段的运行速度提高五倍。
引用
@article{arxiv.2009.12856,
title = {Machine Learning for Searching the Dark Energy Survey for Trans-Neptunian Objects},
author = {B. Henghes and O. Lahav and D. W. Gerdes and E. Lin and R. Morgan and T. M. C. Abbott and M. Aguena and S. Allam and J. Annis and S. Avila and E. Bertin and D. Brooks and D. L. Burke and A. CarneroRosell and M. CarrascoKind and J. Carretero and C. Conselice and M. Costanzi and L. N. da Costa and J. DeVicente and S. Desai and H. T. Diehl and P. Doel and S. Everett and I. Ferrero and J. Frieman and J. García-Bellido and E. Gaztanaga and D. Gruen and R. A. Gruendl and J. Gschwend and G. Gutierrez and W. G. Hartley and S. R. Hinton and K. Honscheid and B. Hoyle and D. J. James and K. Kuehn and N. Kuropatkin and J. L. Marshall and P. Melchior and F. Menanteau and R. Miquel and R. L. C. Ogando and A. Palmese and F. Paz-Chinchón and A. A. Plazas and A. K. Romer and C. Sánchez and E. Sanchez and V. Scarpine and M. Schubnell and S. Serrano and M. Smith and M. Soares-Santos and E. Suchyta and G. Tarle and C. To and R. D. Wilkinson},
journal= {arXiv preprint arXiv:2009.12856},
year = {2020}
}
备注
Published in PASP, 16 pages, 6 figures