Beyond Spherical geometry: Unraveling complex features of objects orbiting around stars from its transit light curve using deep learning
Ushasi Bhowmick and Shivam Kumaran
从过境光曲线中表征围绕恒星轨道的物体的几何形状是发现各种复杂现象的有力工具。 这个问题本质上是不构成的,因为相似或相同的光曲线可以由多个不同的形状产生。 在这项研究中,我们研究了形状的特征在多大程度上可以嵌入在凌日光曲线中。 我们生成一个二维随机形状的库,并使用光曲线模拟器Yuti模拟它们的凌日光曲线。 每个形状被分解成一系列以傅里叶系数形式表达的椭圆成分,这些成分为理想的椭圆增加了越来越减少的扰动。 我们训练深度神经网络直接从模拟光曲线中预测这些傅里叶系数。 我们的结果表明,神经网络可以成功重建低阶椭圆,它描述了整体形状,方向和大规模扰动。 对于高阶椭圆,秤成功确定,但偏心率和方向的推断有限,证明了光曲线中形状信息的范围。 我们探索非凸形状特征在重建中的影响,并显示其对形状方向的依赖。 神经网络实现的重建水平强调了使用光曲线作为从中转系统中提取几何信息的手段的效用。
Characterizing the geometry of an object orbiting around a star from its transit light curve is a powerful tool to uncover various complex phenomena. This problem is inherently ill-posed, since similar or identical light curves can be produced by multiple different shapes. In this study, we investigate the extent to which the features of a shape can be embedded in a transit light curve. We generate a library of two-dimensional random shapes and simulate their transit light curves with light curv...
