RotNet：基于卷积神经网络快速可扩展估计恒星自转周期
太阳与恒星天体物理
2020-12-07 v2 机器学习
摘要
恒星中的磁活动表现为表面的暗斑，调制着望远镜观测到的亮度。这些光变曲线包含关于恒星自转的重要信息。然而，由于地面真值信息稀缺、数据含噪以及导致退化解的大参数空间，自转周期的准确估计在计算上代价高昂。我们利用深度学习的力量，成功地将卷积神经网络应用于从 Kepler 光变曲线回归恒星自转周期。保持几何结构的时间序列到图像变换将光变曲线作为基于 ResNet-18 的架构的输入，该架构通过迁移学习训练。已发布的 McQuillan 自转周期星表用作地面真值的初步近似。我们将本方法性能与随机森林回归器、一维 CNN 以及自相关函数（ACF）——当前估计自转周期的标准方法——进行基准比较。尽管将输入限制为更少的数据点（1k），我们的模型仍比在相同数据点上的 ACF 运行准确且快 350 倍，比在 65k 数据点上的 ACF 快 10,000 倍。仅需极少的特性工程，我们的方法便具有令人印象深刻的准确性，这推动了深度学习在更大尺度上回归恒星参数的应用。
引用
@article{arxiv.2012.01985,
title = {RotNet: Fast and Scalable Estimation of Stellar Rotation Periods Using Convolutional Neural Networks},
author = {J. Emmanuel Johnson and Sairam Sundaresan and Tansu Daylan and Lisseth Gavilan and Daniel K. Giles and Stela Ishitani Silva and Anna Jungbluth and Brett Morris and Andrés Muñoz-Jaramillo},
journal= {arXiv preprint arXiv:2012.01985},
year = {2020}
}
备注
Accepted for the Machine Learning and the Physical Sciences Workshop, NeurIPS 2020