The GPU Phase Folding and Deep Learning Method for Detecting Exoplanet Transits

要約

本論文では、トランジット法を用いた太陽系外惑星検出のためのGPU位相畳み込みと畳み込みニューラルネットワーク(CNN)システムGPFCを紹介する。GPU上で並列化された高速フォールディングアルゴリズムを考案し、低S/N比のトランジット信号を増幅することで、高精度で高速な探索を可能にした。200万個の合成光度曲線で学習したCNNは、各周期における惑星シグナルの可能性を示すスコアを報告する。GPFCはBox-fitting Least Squares (BLS)法よりも3桁高速である。シミュレーションの結果、GPFCはBLSと比較して97%の学習精度、同じ誤検出率でより高い真陽性率、同じ想起率でより高い精度を達成した。GPFCはケプラー光度曲線中の既知の超短周期惑星をブラインド検索から100%復元する。これらの結果は、ケプラーや、K2、TESS、将来のPLATOやEarth 2.0などの宇宙通過ミッションで撮影されたデータから新しい通過系太陽系外惑星を発見するための、従来のBLSアルゴリズムに代わるアプローチとしてのGPFCの有望性を強調している。

要約(オリジナル)

This paper presents GPFC, a novel Graphics Processing Unit (GPU) Phase Folding and Convolutional Neural Network (CNN) system to detect exoplanets using the transit method. We devise a fast folding algorithm parallelized on a GPU to amplify low signal-to-noise ratio transit signals, allowing a search at high precision and speed. A CNN trained on two million synthetic light curves reports a score indicating the likelihood of a planetary signal at each period. GPFC improves on speed by three orders of magnitude over the predominant Box-fitting Least Squares (BLS) method. Our simulation results show GPFC achieves 97% training accuracy, higher true positive rate at the same false positive rate of detection, and higher precision at the same recall rate when compared to BLS. GPFC recovers 100% of known ultra-short-period planets in Kepler light curves from a blind search. These results highlight the promise of GPFC as an alternative approach to the traditional BLS algorithm for finding new transiting exoplanets in data taken with Kepler and other space transit missions such as K2, TESS and future PLATO and Earth 2.0.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL