Panopticon：一种无需事先数据过滤的 PLATO 光曲中检测单次通 transit 的新型深度学习模型
地球与行星天体物理
2025-02-26 v1 天体物理仪器与方法
机器学习
摘要
为准备未来 PLATO 光曲的分析，我们开发了一种深度学习模型 Panopticon 来检测高精度光度光曲中的通 transit。由于 PLATO 的主要目标是检测围绕太阳型恒星的温暖地球大小行星，该代码被设计用于检测单个通 transit 事件。传统检测方法所需的滤波步骤可能会影响通 transit，这可能是对长而浅的通 transit 造成问题。为保护通 transit 的形状和深度，该代码也被设计用于处理未滤波的光曲。我们在包含人造 PLATO 光曲的数据集上训练该模型，其中我们在像素级别注入了行星、双星或背景双星信号。我们还包括各种噪声，如图谱、恒星斑点或宇宙射线。该方法能够恢复我们测试人群的 90%，包括超过 25% 的地球类星体，即使在未滤波的光曲中也是如此。该模型还能恢复与轨道周期无关的通 transit，且能够在独立事件基础上检索通 transit。这些结果是在接受 1% 的误报率时获得的。保持误报率低于 0.01%时，仍能恢复超过 85% 的通 transit 信号。任何深度超过 180ppm 的通 transit 基本可以被恢复。该方法能够在独立事件基础上恢复通 transit，且以低误报率实现。由于光曲是一维的，模型训练速度快，每个模型只需数小时。这种训练和推断速度，结合该方法的恢复效果和精度，使其成为补充或用于传统方法之前的理想工具。
引用
@article{arxiv.2409.03466,
title = {Panopticon: a novel deep learning model to detect single transit events with no prior data filtering in PLATO light curves},
author = {H. G. Vivien and M. Deleuil and N. Jannsen and J. De Ridder and D. Seynaeve and M. -A. Carpine and Y. Zerah},
journal= {arXiv preprint arXiv:2409.03466},
year = {2025}
}
备注
Submitted to A&A