论“鸡尾酒会问题”与系外行星

对越来越小、越来越暗的系外行星的表征需要深入理解自身数据及所使用的分析技术。将原始数据校正到通量 $10^{-4}$ 精度是核心挑战之一。对于没有为此类高精度测量设计校准方案的仪器来说，这可能很困难。在这种情况下，利用仪器的辅助信息对数据进行去相关并不总是显而易见的，因此，在仅拥有数据本身的情况下，了解能够将仪器系统误差与数据分离到何种程度就变得至关重要。我们提出了一种基于独立成分分析概念的非参数机器学习算法，用于从期望的天体物理信号中解卷积系统噪声和所有非高斯信号。这种“盲”信号分离在信号处理中通常被称为“鸡尾酒会问题”。对于分光光度测量等同时观测同一系外行星凌星的情况，我们表明，通常可以在不使用任何仪器补充信息的情况下，将系统噪声与原始光变曲线信号分离。在本文中，我们使用模拟数据和哈勃-NICMOS 仪器观测到的两个数据集探索了这些信号提取技术。另一个重要应用是系外行星信号与时间相关的恒星活动性的去相关。利用开普勒任务获得的数据，我们表明，可以使用跨越多个凌星事件的单个时间序列将期望信号从恒星噪声中解卷积。此类非参数技术可以为文献中已有的参数修正及其相关结果提供重要验证。此外，它们可以在未来显著提高系外行星光变曲线分析的精度。