Нейросеть вычищает шум звезды из поиска далёких миров экспресс
Шесть лет подряд телескоп HARPS-N на острове Ла-Пальма смотрел на Солнце как на чужую звезду — снимал спектры, следил за яркостью, записывал каждое дрожание линий. Всё это нужно, чтобы понять, как отличить слабое качание звезды от настоящего сигнала планеты.
Звезда не стоит на месте: её поверхность кипит, как кастрюля с супом. Всплывают горячие пузыри, появляются пятна, меняется магнитное поле. Всё это слегка сдвигает линии в спектре — и выглядит как лёгкое покачивание, похожее на то, что вызывает планета. Раньше астрономы пытались вычесть этот «звёздный шум» вручную, но он слишком сложный и нерегулярный.
Нейросеть взяла на себя эту работу. Её обучили на шести годах солнечных данных, подсказывая, какие именно изменения яркости, магнитного поля и формы спектральных линий связаны с кипением поверхности. Оказалось, что не все подсказки одинаково полезны. Например, наклон линии или ширина натриевой полосы почти не помогают. А вот магнитный поток, общая яркость и её скорость изменения, а также форма линии водорода — помогают сильно.
Осталось чуть меньше метра в секунду — и это, похоже, тот самый предел, который создают гигантские конвективные ячейки на Солнце, размером с целые континенты. Чтобы поймать планету вроде Земли, нужно убрать и этот шум. Значит, в следующий раз нейросеть будет учиться на ещё более тонких следах кипения.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2602.17760
The measurement of exoplanet masses using the radial velocity (RV) technique is currently limited by stellar activity, which introduces quasiperiodic variability signals that must be modeled and removed to enhance the sensitivity of the RV measurements to exoplanet signals. Neural networks have previously been demonstrated effective in modeling stellar activity signals in HARPS-N solar data using white light cross correlation functions (CCFs). Building on this work, we train a neural network on six years of HARPS-N solar data with additional parameters commonly associated to stellar activity, including chromatic CCFs, line shape metrics, spectral activity indicators, total solar irradiance (TSI) light curves from SORCE and TSIS-1, and TSI time derivatives. Our results show that parameters such as the bisector inverse slope and Na D equivalent widths do not significantly improve the neural network's ability to predict activity-induced RV variations compared to using the white light CCFs alone. However, parameters such as unsigned magnetic flux, the TSI and its time derivative, S-index, H-alpha equivalent width, chromatic CCFs, contrast, and full width at half maximum do improve the neural network's ability to predict RV scatter. Our new model reduces the RV scatter in a held-out test set from 147.1 cm/s to 93.3 cm/s, consistent with supergranulation noise levels reported in previous studies. These results suggest that finding effective tracers for (super)granulation will be critical to train models capable of further mitigating RV jitter, and necessary for characterizing Earth analogues.
Скорость 93 сантиметра в секунду — это медленнее, чем ползёт садовая улитка (около 1,5 см/с, но улитка не может поддерживать такую скорость долго, а звезда «дрожит» непрерывно).
В фильме «Интерстеллар» герои ищут планеты у чёрной дыры, но даже у спокойной звезды вроде Солнца собственный шум мешает заметить Землю — теперь нейросеть помогает «расслышать» тихий сигнал.