ExoplANNET: A deep learning algorithm to detect and identify planetary signals in radial velocity data

要約

視線速度法による太陽系外惑星の検出は、目に見えない準恒星伴星によって引き起こされる恒星速度の変動を検出することにあります。
機器の誤差、不規則な時間サンプリング、および星の固有の変動性に起因するさまざまなノイズ源は、データの解釈を妨げ、さらには誤った検出につながる可能性があります。
最近では、機械学習アルゴリズムを使用する太陽系外惑星の分野で研究が行われ始めており、その分野の従来の技術で得られた結果を超える結果が得られたものもあります。
特に星起源の相関ノイズの存在下での太陽系外惑星の検出のために、視線速度法におけるニューラルネットワークの範囲を探求しようとしています。
この作業では、視線速度法で検出された信号の有意性の計算を置き換え、惑星起源かどうかを分類するニューラル ネットワークが提案されています。
アルゴリズムは、惑星の伴星がある場合とない場合のシステムの合成データを使用してトレーニングされます。
恒星活動の挙動に関する以前の研究に基づいて、現実的な相関ノイズをシミュレーションに注入しました。
ネットワークのパフォーマンスは、帰無仮説有意性検定に基づいて従来の方法と比較されます。
このネットワークでは、誤検出が 28% 減少しています。
改善は、主に低質量惑星に関連する小振幅信号の検出で観察されます。
さらに、その実行時間は、従来の方法よりも 5 桁高速です。
このアルゴリズムが示す優れたパフォーマンスは、これまでシミュレートされた動径速度データでしかテストされていません。
原則として、リアルタイム シリーズでの使用に適応させるのは簡単ですが、そのパフォーマンスは徹底的にテストする必要があります。
今後の作業により、系外惑星検出のための貴重なツールとして採用される可能性を評価できるようになるはずです。

要約(オリジナル)

The detection of exoplanets with the radial velocity method consists in detecting variations of the stellar velocity caused by an unseen sub-stellar companion. Instrumental errors, irregular time sampling, and different noise sources originating in the intrinsic variability of the star can hinder the interpretation of the data, and even lead to spurious detections. In recent times, work began to emerge in the field of extrasolar planets that use Machine Learning algorithms, some with results that exceed those obtained with the traditional techniques in the field. We seek to explore the scope of the neural networks in the radial velocity method, in particular for exoplanet detection in the presence of correlated noise of stellar origin. In this work, a neural network is proposed to replace the computation of the significance of the signal detected with the radial velocity method and to classify it as of planetary origin or not. The algorithm is trained using synthetic data of systems with and without planetary companions. We injected realistic correlated noise in the simulations, based on previous studies of the behaviour of stellar activity. The performance of the network is compared to the traditional method based on null hypothesis significance testing. The network achieves 28 % fewer false positives. The improvement is observed mainly in the detection of small-amplitude signals associated with low-mass planets. In addition, its execution time is five orders of magnitude faster than the traditional method. The superior performance exhibited by the algorithm has only been tested on simulated radial velocity data so far. Although in principle it should be straightforward to adapt it for use in real time series, its performance has to be tested thoroughly. Future work should permit evaluating its potential for adoption as a valuable tool for exoplanet detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google