利用正交活动指标与时序感知神经网络抑制恒星径速度抖动

尽管高分辨率光谱仪的精度近期取得了进展，但类地系外行星的探测仍受限于恒星活动效应，这些效应引入了米每秒量级或更大的径向速度变化。我们提出一个框架，通过利用交叉相关函数（CCF；平均谱线轮廓的度量）的高阶畸变，将恒星效应与行星信号分离，从而超越常用的高斯拟合近似。我们使用 Gram-Schmidt 正交基函数对 CCF 进行分解，实现了将纯谱线移动与谱线形状畸变相分离。为了对径向速度中由活动引起的贡献进行建模，我们开发了一种时序感知卷积注意力网络，称为 CANSTAR。该网络在由真实恒星模拟器 StarSim 生成的合成谱线形状畸变系数上进行训练，以学习恒星活动特征的时序演化。我们使用 HARPS 和 CARMENES 对两颗活跃恒星 ${\epsilon}$ Eridani 和 TZ Arietis 的观测数据验证了该框架。该网络有效抑制了恒星活动，将径向速度 RMS 分别降至未修正变异的 52.5% 和 62.4%。与高斯过程回归相比，这种修正能够更精确地确定 TZ Arietis b 的轨道参数。我们的结果表明，结合时序上下文的神经网络在复杂的活动状态下能够优于现有方法。未来对 StarSim 的改进将允许我们在三维磁流体动力学光谱和更复杂的仪器建模上训练 CANSTAR，预计这将弥合合成数据与真实数据之间的性能差距，为探测类太阳恒星周围的地球质量行星提供稳健的途径。