凌星透视：利用人工神经网络提升 TESS 后续观测效率
天体物理仪器与方法
2017-01-25 v1 地球与行星天体物理
摘要
即将开展的 TESS 任务预计将在亮星周围发现数千颗凌星行星，然而对于其观测的四分之三天区，时间覆盖范围将限制其发现仅限于轨道周期短于 13.7 天的行星。根据开普勒星表，这些短周期凌星行星拥有额外的、会被 TESS 遗漏的更长周期凌星行星的平均概率为 18%，这一数值比普通恒星高出十倍。本工作表明，该概率并非均匀分布，而是功能性地依赖于所观测到的短周期凌星行星的特性，范围从低于 1% 到超过 50%。利用在开普勒星表上训练的人工神经网络（ANN）并谨慎选择特征以考虑 TESS 不同的探测灵敏度，我们能够预测最可能伴有额外凌星行星的短周期凌星行星。通过交叉验证，我们预测，使用我们训练好的人工神经网络进行有针对性的、优化的 TESS 凌星和/或视向速度后续观测项目，其发现产出将提高两倍。我们的工作为搜寻 TESS 目标周围额外行星的巡天提供了一种近乎最优的后续观测策略，提升了 TESS 的科学产出，并且在搜寻宜居带凌星世界方面尤为有益。
引用
@article{arxiv.1611.04904,
title = {Transit Clairvoyance: Enhancing TESS follow-up using artificial neural networks},
author = {David M. Kipping and Christopher Lam},
journal= {arXiv preprint arXiv:1611.04904},
year = {2017}
}
备注
Accepted to MNRAS. Grid of results and interpolating code available at https://github.com/cl3425/Clairvoyance