More Efficient and Reliable: Identifying RRab Stars with Blazhko Effect by Deep Convolutional Neural Network
Notice bibliographique
Résumé
The physical origin of the Blazhko effect (BL), a phenomenon of a single or multiple periodic modulation(s) of the light curve, is under debate. Efficiently identifying and characterizing the BL is essential in understanding its origins and accounting for its effect on numerous applications of RRabs in the era of large time-domain surveys. In this study, we make use of Resnet 34, a well-known convolutional neural network (CNN) architecture, to identify RRab stars with BL from phased light curves collected from OGLE. Using reliably classified RRabs from frequency analysis to train, validate, and test our model, we show that our CNN method reaches accuracies up to 94%. We then applied our CNN method to some additional RRabs located in the Magellanic Cloud (MC) and the Galactic Bulge (GB), leading to the discovery of 113 and 2496 BL candidates, respectively. The identification accuracy for the MC Sample is estimated to be 91% after cross-matching the CNN classification results with those from frequency analysis. Similarly, the light-curve parameters of these classified BL/non-BL candidates by our CNN method from the GB region resemble those observed in the literature, confirming the reliability of our CNN classifications. Our CNN method is subject to issues related to light-curve quality and sampling, but its overall reliance on light-curve quality is comparable to that of frequency analysis. Furthermore, we find that BL modulation could be primarily characterized by variations in light-curve structure.
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 ».