Short-Period Variables in TESS Full-Frame Image Light Curves Identified via Convolutional Neural Networks

要約

トランジット系外惑星探査衛星 (TESS) ミッションは、2 年間の主要ミッションを通じて空の約 85% で星からの光を測定し、その結果、トランジット系外惑星の探索で分析するための TESS の 30 分間のリズム光曲線が数百万個も得られました。
この膨大なデータセットを検索するために、私たちは計算効率が高く、高パフォーマンスの予測を生成し、必要な人間の検索労力を最小限に抑えるアプローチを提供することを目指しています。
短周期変数を識別するためにトレーニングする畳み込みニューラル ネットワークを紹介します。
特定の光度曲線を予測するために、私たちのネットワークでは、他の方法を使用して特定された事前のターゲット パラメーターは必要ありません。
当社のネットワークは、TESS の 30 分ケイデンス光曲線の推論を単一の GPU 上で約 5 ミリ秒で実行し、大規模なアーカイブ検索を可能にします。
私たちのネットワークによって特定された 14156 個の短期変数のコレクションを紹介します。
私たちが同定した変数の大部分は、短周期主配列連星とたて座デルタ星という 2 つの顕著な集団に分類されます。
当社のニューラル ネットワーク モデルと関連コードは、一般公開および拡張用にオープンソース コードとしてさらに提供されます。

要約(オリジナル)

The Transiting Exoplanet Survey Satellite (TESS) mission measured light from stars in ~85% of the sky throughout its two-year primary mission, resulting in millions of TESS 30-minute cadence light curves to analyze in the search for transiting exoplanets. To search this vast dataset, we aim to provide an approach that is both computationally efficient, produces highly performant predictions, and minimizes the required human search effort. We present a convolutional neural network that we train to identify short period variables. To make a prediction for a given light curve, our network requires no prior target parameters identified using other methods. Our network performs inference on a TESS 30-minute cadence light curve in ~5ms on a single GPU, enabling large scale archival searches. We present a collection of 14156 short-period variables identified by our network. The majority of our identified variables fall into two prominent populations, one of short-period main sequence binaries and another of Delta Scuti stars. Our neural network model and related code is additionally provided as open-source code for public use and extension.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google