ExoplANNET : un algorithme d’apprentissage en profondeur pour détecter et identifier les signaux planétaires dans les données de vitesse radiale
Détection des deux applications de l’astronome virtuel, par rapport aux détections présentées de la manière la plus optimale. Le nombre de planètes détectées de manière optimale est marqué d’une ligne pointillée et indiqué en rouge sur l’axe vertical. Chaque carte correspond à des systèmes avec un certain nombre de compagnons. Les colonnes présentent les vrais positifs (c’est-à-dire les planètes détectées, en vert), les faux négatifs (en bleu) et les planètes non détectées (c’est-à-dire aucune apogée évaluée) tandis que l’astronome virtuel parfait le fait. Notez que même en utilisant la méthode optimale, de nombreuses planètes sont perdues ; Le nombre de planètes trouvées est bien supérieur au nombre de planètes découvertes, même avec la méthode optimale. -Astro Girl EP
La détection d’exoplanètes par la méthode de la vitesse radiale consiste à détecter les variations de vitesse stellaire causées par un compagnon invisible sous les étoiles.
Des erreurs instrumentales, un échantillonnage temporel irrégulier et diverses sources de bruit résultant de la variance intrinsèque de l’étoile peuvent entraver l’interprétation des données et peuvent même conduire à de fausses détections. Récemment, des travaux ont commencé à apparaître dans le domaine des exoplanètes utilisant des algorithmes d’apprentissage automatique, dont certains ont donné des résultats supérieurs à ceux obtenus avec les techniques traditionnelles dans ce domaine.
Nous cherchons à explorer la gamme des réseaux de neurones par la méthode des vitesses radiales, notamment pour la détection d’exoplanètes en présence de bruits associés d’origine stellaire. Dans ce travail, un réseau de neurones est proposé pour remplacer le calcul de la signification du signal détecté par la méthode des vitesses radiales et pour le classer comme ayant une origine planétaire ou non. L’algorithme est formé à l’aide de données synthétiques pour les systèmes avec et sans compagnons planétaires.
Nous avons injecté un bruit associé réaliste dans les simulations, en nous appuyant sur des études antérieures du comportement de l’activité stellaire. Les performances du réseau sont comparées à la méthode traditionnelle basée sur le test de signification de l’hypothèse nulle. Le réseau obtient 28 % de faux positifs en moins.
L’amélioration est principalement observée dans la détection de signaux de faible amplitude associés à des planètes de faible masse. De plus, le temps de sa mise en œuvre est cinq fois plus rapide que la méthode traditionnelle. Les performances supérieures démontrées par l’algorithme n’ont jusqu’à présent été testées que sur des données de vitesse radiale simulées.
Bien qu’il doive en principe être facile à adapter pour une utilisation dans des threads en temps réel, ses performances doivent être rigoureusement testées. Les travaux futurs devraient permettre d’évaluer son potentiel d’adoption en tant qu’outil précieux pour la détection d’exoplanètes.
La Nieto, RV Diaz
Commentaires : L’article est en cours d’examen par les pairs, les commentaires sont les bienvenus
Sujets : Astrophysique terrestre et planétaire (astro-ph.EP) ; Instruments et méthodes d’astrophysique (astro-ph.IM); apprentissage automatique (CSLG)
Cité comme : arXiv:2303.09335 [astro-ph.EP] (ou arXiv : 2303.09335v1 [astro-ph.EP] pour cette version)
Date de soumission
De : Luis Agustín Nieto M.
[v1] Jeudi 16 mars 2023 14:16:19 UTC (2 317 Ko)
https://arxiv.org/abs/2303.09335
Astrobiologie
