Identification and Classification of Exoplanets Using Machine Learning Techniques

要約

NASA のケプラー宇宙望遠鏡は、銀河系内に系外惑星の存在を発見するという任務に貢献してきました。
この探索は、ケプラー望遠鏡が受信した信号から系外惑星を特定するための計算データ解析によって裏付けられています。
この論文では、ケプラー宇宙望遠鏡とその拡張ミッション K2 のデータの残差ネットワークを使用した系外惑星識別に関する既存の研究を基に構築することを検討します。
この論文は、ある場合には少ないデータ量で、別の場合にはより広範囲のデータを使用して系外惑星の存在を分類する際に、深層学習アルゴリズムがどのように役立つかを探ることを目的としています。
標準的な CNN ベースの手法に加えて、データ量が少ないシナリオでの分類に対処する場合に特に役立つシャム アーキテクチャを提案します。
CNN および ResNet アルゴリズムは、3 クラス分類で 68%、2 クラス分類で 86% の平均精度を達成しました。
ただし、3 クラスと 2 クラスの両方で、Siamese アルゴリズムは 99% の精度を達成しました。

要約(オリジナル)

NASA’s Kepler Space Telescope has been instrumental in the task of finding the presence of exoplanets in our galaxy. This search has been supported by computational data analysis to identify exoplanets from the signals received by the Kepler telescope. In this paper, we consider building upon some existing work on exoplanet identification using residual networks for the data of the Kepler space telescope and its extended mission K2. This paper aims to explore how deep learning algorithms can help in classifying the presence of exoplanets with less amount of data in one case and a more extensive variety of data in another. In addition to the standard CNN-based method, we propose a Siamese architecture that is particularly useful in addressing classification in a low-data scenario. The CNN and ResNet algorithms achieved an average accuracy of 68% for three classes and 86% for two-class classification. However, for both the three and two classes, the Siamese algorithm achieved 99% accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google