Виявлення екзокометних транзитів в базі даних TESS з використанням методу Випадкового лісу
DOI:
https://doi.org/10.15407/knit2023.06.068Ключові слова:
комети, планетні системи, малі планети; затемнення, транзити, планети та супутники.Анотація
В даному дослідженні представлено ефективний підхід до виявлення екзокометних транзитів у даних першого сектору космічного телескопу Transiting Exoplanet Survey Satellite (TESS). Враховуючи обмежену кількість наявних екзокометних транзитів, що виявлені у спостережуваних кривих блиску, створення репрезентативної тренувальної вибірки для машинного навчання є великою складністю. Ми розробили унікальну тренувальну вибірку шляхом інкапсуляції змодельованих асиметричних профілів транзиту в спостережувані криві блиску, таким чином створюючи реалістичні дані для навчання моделі. Щоб проаналізувати ці криві блиску, ми використали програмний пакет TSFresh, який служив інструментом для виявлення ключових ознак, які потім використовувалися для вдосконалення нашої моделі Випадковий ліс при навчанні. Враховуючи, що кометні транзити зазвичай мають невелику глибину, менше ніж 1% яскравості зірки, ми вирішили обмежити вибірку параметром CDPP. Наше дослідження було зосереджено на двох цільових вибірках: криві блиску з CDPP менше 40 ppm та криві блиску з CDPP до 150 ppm. Кожна вибірка супроводжувалась відповідною тренувальною вибіркою. Наш метод продемонстрував високу точність, досягнувши показника біля 96%, в поєднанні з високими показниками влучності (Precision) та повноти (Recall) для обох, які перевищують 95%, а також збалансованими показниками F1-міри на рівні 96%. Цей рівень точності відповідає ефективному розпізнаванню транзитів 'кандидат на екзокомету' та 'не кандидат' для кривих блиску з CDPP менше 40 ppm, при цьому наша модель ідентифікувала 12 потенційних екзокомет-кандидатів. Однак, застосовуючи машинне навчання до менш точних кривих блиску в яких CDPP до 150 ppm, ми помітили значне збільшення кривих, які не можна було впевнено класифікувати, але навіть у цьому випадку наша модель ідентифікувала 20 потенційних екзокомет-кандидатів. Ці багатообіцяючі результати в першому секторі спонукають нас розширити наш аналіз на всі сектори TESS для виявлення та вивчення кометоподібної активності в позасонячних планетарних системах.Посилання
Ansdell M., Ioannou Y., Osborn H. P., et al. (2018). Scientific Doma in Knowledge Improves Exoplanet Transit Classification with Deep Learning. Astrophys. J. Lett., 869, No. 1, article id. L7, 7 p.
https://doi.org/10.3847/2041-8213/aaf23b
Beust H., Lagrange-Henri A. M., Vidal-Madjar A., Ferlet R. (1989). The beta Pictoris circumstellar disk. IX. Theoretical results on the infall velocities of CA II, AI III and MG II. Astron. Astrophys., 223, 304-312. Bibcode: 1989A&A...223..304B
Borucki W. J., Koch D., Basri G., et al. (2010). Kepler Planet-Detection Mission: Introduction and First Results. Science, 327, No. 5968, 977-980.
https://doi.org/10.1126/science.1185402
Breiman L. (2001). Random Forests. Machine Learning, 45, 5-32.
https://doi.org/10.1023/A:1010933404324
Brogi M., Keller, C. U., de Juan Ovelar M. et al. (2012). Evidence for the disintegration of KIC 12557548 b. Astron. Astrophys., 545, id. L5, 4 p.
https://doi.org/10.1051/0004-6361/201219762
Christ M., Braun N., Neuffer J., Kempa-Liehr A. W. (2018). Time Series FeatuRe Extraction on basis of Scalable Hypothesis tests (tsfresh - A Python package). Neurocomputing, 307, 72-77.
https://doi.org/10.1016/j.neucom.2018.03.067
Christiansen J. L., Jenkins J. M., Caldwell D. A., et al. (2012). The Derivation, Properties, and Value of Kepler's Combined Differential Photometric Precision. Publ. Astron. Soc. Pacif., 124, No. 922, 1279.
https://doi.org/10.1086/668847
Coughlin J. L., Mullally F., Thompson S. E., et al. (2016). Planetary Candidates Observed by Kepler. VII. The First Fully Uniform Catalog Based on the Entire 48-month Data Set (Q1-Q17 DR24). Astrophys. J. Suppl. Ser., 224, No. 1, article id. 12, 27 p.
https://doi.org/10.3847/0067-0049/224/1/12
https://doi.org/10.1016/10.3847/0067-0049/224/1/12
Fisher C., Hoeijmakers H. J., Kitzmann D. (2020). Interpreting High-resolution Spectroscopy of Exoplanets using Crosscorrelations and Supervised Machine Learning. Astron. J., 159, No. 5, id.192, 15 p.
https://doi.org/10.3847/1538-3881/ab7a92
Gilliland R. L., Chaplin W. J., Dunham E. W., et al. (2011). Kepler Mission Stellar and Instrument Noise Properties. Astrophys. J. Suppl. Ser., 197, No. 1, article id. 6, 19 p.
https://doi.org/10.1088/0067-0049/197/1/6
Guerrero N. M., Seager S., Huang C. X., et al. (2021). The TESS Objects of Interest Catalog from the TESS Prime Mission. Astrophys. J. Suppl. Ser., .254, No. 2, id.39, 29 p.
https://doi.org/10.3847/1538-4365/abefe1
Howell S. B., Sobeck C., Haas M., et al. (2014). The K2 Mission: Characterization and Early Results. Publ. Astron. Soc. Pacif., 126, No. 938, 398.
https://doi.org/10.1086/676406
Kennedy G. M., Hope G., Hodgkin S. T., Wyatt M. C. (2019). An automated search for transiting exocomets. Mon. Notic. Roy. Astron. Soc., 482, No. 4, 5587-5596.
https://doi.org/10.1093/mnras/sty3049
Kiefer F., Lecavelier des Etangs A., Boissier J., et al. (2014). Two families of exocomets in the β Pictoris system. Nature, 514, No. 7523, 462-464.
https://doi.org/10.1038/nature13849
Khramtsov V., Vavilova I. B., Dobrycheva D. V., et al. (2022). Machine learning technique for morphological classification of galaxies from the SDSS. III. Image-based inference of detailed features. Space Science and Technology, 28, No. 5, 27-55.
https://doi.org/10.1051/0004-6361/202038981
https://doi.org/10.1051/0004-6361/202038981
Kumar C. K., Davila J. M., Rajan R. S. (1989). The Accretion of Interplanetary Dust by AP and AM Stars. Astrophys. J., 337, 414.
https://doi.org/10.1086/167112
Lecavelier des Etangs A., Cros L., Hebrard G., et al. (2022). Exocomets size distribution in the β Pictoris planetary system. Scientific Reports, 12, article id. 5855.
https://doi.org/10.1038/s41598-022-09021-2
https://doi.org/10.21203/rs.3.rs-1236390/v1
Lecavelier Des Etangs A., Vidal-Madjar A., Ferlet R. (1999). Photometric stellar variation due to extra-solar comets. Astron. and Astrophys., 343, 916-922.
https://doi.org/10.1051/aas:1999114
Li Xin, Li Jian, Xia, Zhihong Jeff, Georgakarakos N. (2022). Machine-learning prediction for mean motion resonance behaviour - The planar case. Mon. Notic. Roy. Astron. Soc., 511, No. 2, 2218-2228.
https://doi.org/10.1093/mnras/stac166
Li Xin, Li Jian, Xia Zhihong Jeff, Georgakarakos N. (2023). Large-step neural network for learning the symplectic evolution from partitioned data. Mon. Notic. Roy. Astron. Soc., 524, No. 1, 1374-1385.
https://doi.org/10.1093/mnras/stad1948
Malik A., Moster B. P., Obermeier C. (2022). Exoplanet detection using machine learning. Mon. Notic. Roy. Astron. Soc., 513, No. 4, 5505-5516.
https://doi.org/10.1093/mnras/stab3692
Melton E. J., Feigelson E. D., Montalto M . (2023). DIAmante TESS AutoRegressive Planet Search (DTARPS). I. Anal ysis of 0.9 Million Light Curves.
https://doi.org/10.48550/arXiv.2302.06700
McCauliff S. D., Jenkins J. M., Catanzarite J., et al. (2015). Automatic Classification of Kepler Planetary Transit Candidates. Astrophys. J., 806, No. 1, article id. 6, 13 p.
https://doi.org/10.1088/0004-637X/806/1/6
Mislis D., Bachelet E., Alsubai K. A., Bramich D. M., Parley N. (2016). SIDRA: a blind algorithm for signal detection in photometric surveys. Mon. Notic. Roy. Astron. Soc., 455, No. 1, 626-633.
https://doi.org/10.1093/mnras/stv2333
M rquez-Neila P., Fisher C., Sznitman R. (2018). Supervised machine learning for analysing spectra of exoplanetary atmospheres. Nature Astron., 2, 719-724.
https://doi.org/10.1038/s41550-018-0504-2
Osborn H. P., Ansdell M., Ioannou Y., et al. (2020). Rapid classification of TESS planet candidates with convolutional neural networks. Astron. and Astrophys., 633, id.A53, 11 p.
https://doi.org/10.1051/0004-6361/201935345
Pavlenko Y., Kulyk I., Shubina O., et al. (2022). New exocomets of β Pic. Astron. and Astrophys., 660, id. A49, 8 p.
https://doi.org/10.1051/0004-6361/202142111
Pedregosa, F., Varoquaux, Ga»el, Gramfort, A., Michel, V., Thirion, B., Grisel, O., et al. (2011). Scikit-learn: Machine learning in Python. J. Machine Learning Res., 12, 2825-2830.
https://doi.org/10.48550/arXiv.1201.0490
Rappaport S., Vanderburg A., Jacobs T., et al. (2018). Likely transiting exocomets detected by Kepler. Mon. Notic. Roy. Astron. Soc., 474, No. 2, 1453-1468.
https://doi.org/10.1136/bmj.2.1722.1453-a
https://doi.org/10.1093/mnras/stx2735
Rebollido I., Eiroa C., Montesinos B., et al. (2020). Exocomets: A spectroscopic survey. Astron. and Astrophys., 639, id.A11, 59 p.
https://doi.org/10.1051/0004-6361/201936071
Ricker G. R., Winn J. N., Vanderspek R., et al. (2015). Transiting Exoplanet Survey Satellite (TESS). J. Astron. Telescopes, Instruments, and Systems, 1, id. 014003
https://doi.org/10.1117/1.JATIS.1.1.014003
Salinas H., Pichara K., Brahm R., Perez-Galarce F., Mery D. (2023). Distinguishing a planetary transit from false positives: a Transformer-based classification for planetary transit signals. Mon. Notic. Roy. Astron. Soc., 522, No. 3, 3201-3216.
https://doi.org/10.1093/mnras/stad1173
Shallue C. J., Vanderburg A. (2018). Identifying Exoplanets with Deep Learning: A Five-planet Resonant Chain around Kepler-80 and an Eighth Planet around Kepler-90. Astron. J., 155, No. 2, article id. 94, 21 p.
https://doi.org/10.3847/1538-3881/aa9e09
Tey E., Moldovan D., Kunimoto M., et al. (2023). Identifying Exoplanets with Deep Learning. V. Improved Light-curve Classification for TESS Full-frame Image Observations. Astron. J., 165, No. 3, id.95, 19 p.
https://doi.org/10.3847/1538-3881/acad85
Van Cleve J. E., Howell S. B., Smith J. C., et al. (2016). That's How We Roll: The NASA K2 Mission Science Products and Their Performance Metrics. Publ. Astron. Soc. Pacif., 128, No. 965, 075002.
https://doi.org/10.1088/1538-3873/128/965/075002
Vasylenko M., Pavlenko Ya., Dobrycheva D. et al. (2022). An algorithm for automatic identification of asymmetric transits in the TESS database. Multi-Scale (Time and Mass) Dynamics of Space Objects. Held 18-22 October, 2021 in Iaşi, Romania. Proc. Int. Astron. Union, 364, 264-266.
https://doi.org/10.1017/S1743921322000023
Vavilova I. B., Dobrycheva D. V., Vasylenko M. Yu., et al. (2021). Machine learning technique for morphological classification of galaxies from the SDSS. I. Photometry-based approach. Astron. and Astrophys., 648, id.A122, 14 p.
https://doi.org/10.1051/0004-6361/202038981
Wyatt M. C., van Lieshout R., Kennedy G. M., Boyajian T. S. (2018). Modelling the KIC8462852 light curves: compatibility of the dips and secular dimming with an exocomet interpretation. Mon. Notic. Roy. Astron. Soc., 473, No. 4, 5286-5307.
https://doi.org/10.1093/mnras/stx2713
Zheng A. (2023). Developing a high-performance approach to exoplanet prediction through light-curve analysis using the transit method. Bull. Amer. Astron. Soc., 55, No. 6, e-id 2023n6i401p03 Bibcode: 2023AAS...24240103Z
Zieba S., Zwintz K., Kenworthy M. A., Kennedy G. M. (2019). Transiting exocomets detected in broadband light by TESS in the β Pictoris system. Astron. and Astrophys., 625, id.L13, 7 p.
