Identification of the Top TESS Objects of Interest for Atmospheric Characterization of Transiting Exoplanets with JWST
Notice bibliographique
Résumé
Abstract JWST has ushered in an era of unprecedented ability to characterize exoplanetary atmospheres. While there are over 5000 confirmed planets, more than 4000 Transiting Exoplanet Survey Satellite (TESS) planet candidates are still unconfirmed and many of the best planets for atmospheric characterization may remain to be identified. We present a sample of TESS planets and planet candidates that we identify as “best-in-class” for transmission and emission spectroscopy with JWST. These targets are sorted into bins across equilibrium temperature T eq and planetary radius R p and are ranked by a transmission and an emission spectroscopy metric (TSM and ESM, respectively) within each bin. We perform cuts for expected signal size and stellar brightness to remove suboptimal targets for JWST. Of the 194 targets in the resulting sample, 103 are unconfirmed TESS planet candidates, also known as TESS Objects of Interest (TOIs). We perform vetting and statistical validation analyses on these 103 targets to determine which are likely planets and which are likely false positives, incorporating ground-based follow-up from the TESS Follow-up Observation Program to aid the vetting and validation process. We statistically validate 18 TOIs, marginally validate 31 TOIs to varying levels of confidence, deem 29 TOIs likely false positives, and leave the dispositions for four TOIs as inconclusive. Twenty-one of the 103 TOIs were confirmed independently over the course of our analysis. We intend for this work to serve as a community resource and motivate formal confirmation and mass measurements of each validated planet. We encourage more detailed analysis of individual targets by the community.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 tête enseignante, 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 ».