Exoplanet Transit Candidate Identification in TESS Full-Frame Images via a Transformer-Based Algorithm

要約

通過する外惑星調査衛星（TESS）は、空の大部分を調査しており、系統輸送信号を識別するために徹底的な分析を必要とする測光時系列データの広大なデータベースを生成しています。
自動学習アプローチが正常に適用され、トランジットシグナルを特定しています。
ただし、ほとんどの既存の方法は、候補者の分類と検証に焦点を当てていますが、候補者の検索のための新しい手法を調査した努力はほとんどありません。
新しいエクソポンド輸送候補を検索するために、マルチトランジットライトカーブで観察されたものなど、輸送信号の周期性を想定したり、周期性を想定したりすることなく、外惑星輸送信号を特定するアプローチを提案します。
これを実現するために、トランスに触発された新しいニューラルネットワークを実装して、フルフレームイメージ（FFI）のライト曲線を直接処理して、エクスプロネットトランジットを検出します。
もともと自然言語処理のために開発された変圧器は、最近、シーケンシャルデータに焦点を当てた以前のアプローチと比較して、長距離依存関係のキャプチャに大きな成功を示しています。
この能力により、事前の輸送パラメーターを必要とせずに、完全な光曲線と背景と重心の時系列と組み合わせた完全な光線から直接脱惑星トランジット信号を直接特定するために、マルチヘッドの自己関節を採用することができます。
ネットワークは、惑星の輸送が他の変動源と区別するのに役立つ、ディップ形状のように、トランジット信号の特性を学習するようにトレーニングされています。
私たちのモデルは、122のマルチトランジットライト曲線、88の単一輸送、4つのマルチプラネシステムを含む214の新しい惑星システム候補を正常に特定しました。

要約(オリジナル)

The Transiting Exoplanet Survey Satellite (TESS) is surveying a large fraction of the sky, generating a vast database of photometric time series data that requires thorough analysis to identify exoplanetary transit signals. Automated learning approaches have been successfully applied to identify transit signals. However, most existing methods focus on the classification and validation of candidates, while few efforts have explored new techniques for the search of candidates. To search for new exoplanet transit candidates, we propose an approach to identify exoplanet transit signals without the need for phase folding or assuming periodicity in the transit signals, such as those observed in multi-transit light curves. To achieve this, we implement a new neural network inspired by Transformers to directly process Full Frame Image (FFI) light curves to detect exoplanet transits. Transformers, originally developed for natural language processing, have recently demonstrated significant success in capturing long-range dependencies compared to previous approaches focused on sequential data. This ability allows us to employ multi-head self-attention to identify exoplanet transit signals directly from the complete light curves, combined with background and centroid time series, without requiring prior transit parameters. The network is trained to learn characteristics of the transit signal, like the dip shape, which helps distinguish planetary transits from other variability sources. Our model successfully identified 214 new planetary system candidates, including 122 multi-transit light curves, 88 single-transit and 4 multi-planet systems from TESS sectors 1-26 with a radius > 0.27 $R_{\mathrm{Jupiter}}$, demonstrating its ability to detect transits regardless of their periodicity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google