Toward Extremely Precise Radial Velocities. II. A Tool for Using Multivariate Gaussian Processes to Model Stellar Activity
Notice bibliographique
Résumé
Abstract The radial velocity method is one of the most successful techniques for the discovery and characterization of exoplanets. Modern spectrographs promise measurement precision of 0.2–0.5 m s −1 for an ideal target star. However, the intrinsic variability of stellar spectra can mimic and obscure true planet signals at these levels. Rajpaul et al. and Jones et al. proposed applying a physically motivated, multivariate Gaussian process (GP) to jointly model the apparent Doppler shift and multiple indicators of stellar activity as a function of time, so as to separate the planetary signal from various forms of stellar variability. These methods are promising, but performing the necessary calculations can be computationally intensive and algebraically tedious. In this work, we present a flexible and computationally efficient software package, GPLinearODEMaker.jl , for modeling multivariate time series using a linear combination of univariate GPs and their derivatives. The package allows users to easily and efficiently apply various multivariate GP models and different covariance kernel functions. We demonstrate GPLinearODEMaker.jl by applying the Jones et al. model to fit measurements of the apparent Doppler shift and activity indicators derived from simulated active solar spectra time series affected by many evolving starspots. We show how GPLinearODEMaker.jl makes it easy to explore the effect of different choices for the GP kernel. We find that local kernels could significantly increase the sensitivity and precision of Doppler planet searches relative to the widely used quasiperiodic kernel.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».