通过卷积神经网络识别 TESS 全帧图像光度序列中的短周期变变星
太阳与恒星天体物理
2024-10-04 v2 地球与行星天体物理
天体物理仪器与方法
机器学习
图像与视频处理
摘要
Transiting Exoplanet Survey Satellite (TESS) 任务在其两年主任务期间测量了约 85% 天空范围内的光度，产生数以百万计的 TESS 30 分钟卡顿光度序列，以寻找 transiting 系外行星。为搜索这一大数据集，我们旨在提供一种计算高效、产生高性能预测、并最小化所需人工搜索工作量的方法。我们提出了一种卷积神经网络，用于识别短周期变变星。为对给定光度序列进行预测， our 网络无需使用其他方法识别的先验目标参数。 our 网络在单个 GPU 上对 TESS 30 分钟卡顿光度序列进行推断所需时间约为 5 毫秒，使大规模档案检索成为可能。我们呈现了 our 网络识别出的 14156 个短周期变变星的集合。我们识别的大多数变变星属于两个突出的天体群体，其中一种是短周期主序星二连星，另一种是 Delta Scuti 星。our 神经网络模型及相关代码另外以开源形式提供供公众使用和扩展。
引用
@article{arxiv.2402.12369,
title = {Short-Period Variables in TESS Full-Frame Image Light Curves Identified via Convolutional Neural Networks},
author = {Greg Olmschenk and Richard K. Barry and Stela Ishitani Silva and Brian P. Powell and Ethan Kruse and Jeremy D. Schnittman and Agnieszka M. Cieplak and Thomas Barclay and Siddhant Solanki and Bianca Ortega and John Baker and Yesenia Helem Salinas Mamani},
journal= {arXiv preprint arXiv:2402.12369},
year = {2024}
}