Deep-learning based measurement of planetary radial velocities in the presence of stellar variability

要約

タイトル：星変動の存在下での惑星の視線速度測定におけるディープラーニングの利用

要約：

– 星変動の存在下、小さな惑星の視線速度を測定するディープラーニングに基づくアプローチを提案する。
– ニューラルネットワークを使用して、HARPS-Nの太陽観測スペクトルの3年分における星のRVジッターを削減する。
– 次元削減とデータ分割方法、単一ラインCNN、単一ラインCNNのアンサンブル、およびマルチラインCNNを含む各種ニューラルネットワークアーキテクチャを開発し、比較する。
– スペクトルに惑星のようなRVを注入し、ネットワークを使用して回収する。
– マルチラインCNNは、振幅0.2m/s、周期50日の惑星を8.8％の振幅誤差と0.7％の周期誤差で回復できることがわかった。
– このアプローチは、星のRV変動を緩和し、前例のない精度で小さな惑星のRVを検出する可能性を示している。

要約(オリジナル)

We present a deep-learning based approach for measuring small planetary radial velocities in the presence of stellar variability. We use neural networks to reduce stellar RV jitter in three years of HARPS-N sun-as-a-star spectra. We develop and compare dimensionality-reduction and data splitting methods, as well as various neural network architectures including single line CNNs, an ensemble of single line CNNs, and a multi-line CNN. We inject planet-like RVs into the spectra and use the network to recover them. We find that the multi-line CNN is able to recover planets with 0.2 m/s semi-amplitude, 50 day period, with 8.8% error in the amplitude and 0.7% in the period. This approach shows promise for mitigating stellar RV variability and enabling the detection of small planetary RVs with unprecedented precision.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI