利用卷积神经网络对 TESS 行星候选体进行快速分类
地球与行星天体物理
2020-01-15 v1
摘要
随着天基巡天任务数据速率的提升,准确且快速地对系外行星候选体进行归类已成为日益重要的目标。NASA 的 TESS 任务尤其如此,其每月产生数千个新候选体。本文创建了首个能够对 TESS 行星候选体进行分类的深度学习模型。我们将 Ansdell 等人(2018)的神经网络模型适配于 TESS 数据。随后使用 Lilith 模拟器生成并经完整 TESS SPOC 流水线处理的 4 个扇区高保真像素级模拟数据对该更新模型进行训练与测试。我们发现模型在模拟数据上表现优异,在二分类模型中平均精度达 97%、行星准确率 92%。若计入以错误周期发现的行星,该准确率还可再提升约 4%。我们还对行星、混合与目标掩食双星以及非天体物理假阳性进行了 3 类与 4 类分类,其平均精度与行星准确率略低,但对后续观测决策有用。应用于真实 TESS 数据时,与当前已发布 TOI 重合的 TCE 中 61% 被归为行星,另有 4% 被建议为 EB,我们还额外提出 200 个 TCE 作为行星候选体。
引用
@article{arxiv.1902.08544,
title = {Rapid Classification of TESS Planet Candidates with Convolutional Neural Networks},
author = {Hugh P. Osborn and Megan Ansdell and Yani Ioannou and Michele Sasdelli and Daniel Angerhausen and Douglas A. Caldwell and Jon M. Jenkins and Chedy Räissi and Jeffrey C. Smith},
journal= {arXiv preprint arXiv:1902.08544},
year = {2020}
}
备注
11 pages, 10 figures, Submitted to A&A