Pan-Planets: Searching for hot Jupiters around cool dwarfs
Notice bibliographique
Résumé
The Pan-Planets survey observed an area of 42 sq deg. in the galactic disk for about 165 h. The main scientific goal of the project is the detection of transiting planets around M dwarfs. We establish an efficient procedure for determining the stellar parameters Teff and log g of all sources using a method based on SED fitting, utilizing a three-dimensional dust map and proper motion information. In this way we identify more than 60 000 M dwarfs, which is by far the largest sample of low-mass stars observed in a transit survey to date. We present several planet candidates around M dwarfs and hotter stars that are currently being followed up. Using Monte Carlo simulations we calculate the detection efficiency of the Pan-Planets survey for different stellar and planetary populations. We expect to find 3.0+3.3-1.6 hot Jupiters around F, G, and K dwarfs with periods lower than 10 days based on the planet occurrence rates derived in previous surveys. For M dwarfs, the percentage of stars with a hot Jupiter is under debate. Theoretical models expect a lower occurrence rate than for larger main sequence stars. However, radial velocity surveys find upper limits of about 1% due to their small sample, while the Kepler survey finds a occurrence rate that we estimate to be at least 0.17b(+0.67-0.04) %, making it even higher than the determined fraction from OGLE-III for F, G and K stellar types, 0.14 (+0.15-0.076) %. With the large sample size of Pan-Planets, we are able to determine an occurrence rate of 0.11 (+0.37-0.02) % in case one of our candidates turns out to be a real detection. If, however, none of our candidates turn out to be true planets, we are able to put an upper limit of 0.34% with a 95% confidence on the hot Jupiter occurrence rate of M dwarfs. This limit is a significant improvement over previous estimates where the lowest limit published so far is 1.1% found in the WFCAM Transit Survey. Therefore we cannot yet confirm the theoretical prediction of a lower occurrence rate for cool stars.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».