Mise en œuvre de l'apprentissage automatique sur l'analyse TTV en utilisant TTVFast

Résumé La recherche sur les exoplanètes a connu un développement rapide récemment en raison du nombre croissant de télescopes spatiaux et de sondages par satellite lancés ces dernières années. Deux missions avec le plus grand nombre de découvertes d'exoplanètes utilisant des méthodes de transit sont les missions Kepler et TESS. Les deux missions se sont concentrées sur des sondages photométriques pour détecter des planètes en observant l'obscurcissement périodique de la luminosité d'une étoile alors qu'une planète passe devant elle. Il existe une autre méthode qui pourrait tirer parti des observations de transit appelée méthode de variation du temps de transit. En observant la déviation du temps de transit de la planète transitoire, nous pourrions inférer l'existence d'un autre corps dans le système. Effectuer une estimation des paramètres d'exoplanètes utilisant les données TTV est un processus étendu. Pour estimer les paramètres des exoplanètes à l'aide de TTV, nous devons adapter les données TTV en utilisant une large gamme de paramètres en utilisant une simulation N-corps. La simulation N-corps à cette échelle est coûteuse en termes de calcul. Pour estimer les paramètres d'une planète, nous devons exécuter des milliers de simulations N-corps. Avec la tendance croissante à utiliser des méthodes d'apprentissage automatique dans le processus de recherche, nous essayons d'implémenter la méthode d'apprentissage automatique pour rendre l'analyse TTV plus efficace et efficiente. Nous appliquons l'apprentissage automatique à la simulation N-corps en utilisant REBOUND et TTVFAST et comparons les résultats. REBOUND est une bibliothèque basée sur Python conçue pour simuler la dynamique des systèmes N-corps, en particulier les corps célestes comme les planètes, les étoiles et d'autres objets qui interagissent gravitationnellement. Pendant que TTVFAST est un code de simulation N-corps modifié qui est spécifiquement conçu pour calculer TTV sur des systèmes planétaires transitoires. Nous avons constaté que TTVFAST est beaucoup plus rapide que REBOUND lors de la génération d'échantillons pour l'entraînement et les tests tout en maintenant une précision similaire. De plus, le modèle d'apprentissage automatique généré à partir des deux échantillons de données a montré des performances similaires.