تحلیل داده محور سیارات فراخورشیدی با رویکرد یادگیری بدون ناظر و غربالگری زیست پذیری

چکیده مقاله

افزایش چشمگیر تعداد سیارات فراخورشیدی کشف شده در سال های اخیر، منجر به تولید مجموعه داده های بزرگ و ناهمگنی شده است که تحلیل آن ها فراتر از روش های کلاسیک اخترفیزیکی بوده و نیازمند رویکردهای داده محور است در این پژوهش، مجموعه داده ی سیارات فراخورشیدی ماموریت Kepler با تمرکز بر تحلیل آماری و یادگیری ماشین بدون ناظر مورد بررسی قرار گرفته است پس از انجام مراحل پیش پردازش داده ها و استخراج ویژگی های فیزیکی کلیدی از تحلیل مولفه های اصلی PCA به منظور کاهش بعد و شناسایی روندهای غالب در داده ها استفاده شد همچنین الگوریتم خوشه بندی K means برای تفکیک سیارات به گروه هایی با ویژگی های داده ای مشابه به کار گرفته شد در ادامه معیارهای ساده و مبتنی بر اصول فیزیکی برای غربالگری اولیه نامزدهای بالقوه ی زیست پذیر اعمال گردید نتایج نشان می دهد که ترکیب روش های داده کاوی با تفسیرهای فیزیکی ساده می تواند به شناسایی جمعیت های معنادار سیاره ای و تحلیل آماری زیست پذیری کمک کند با این حال، تاثیر سوگیری های رصدی ماموریت Kepler و عدم قطعیت موجود در پارامترهای رصدی به عنوان محدودیت های اصلی این رویکرد باقی می مانند

کلیدواژه‌ها

نویسندگان

نگار شاکر

دانشجوی کارشناسی گروه فیزیک دانشکده نانو و بایو و زیستی دانشگاه خلیج فارس بوشهر

تهمینه جلالی

دانشیار گروه فیزیک دانشگاه خلیج فارس بوشهر

�اکر، نگار و جلالی، تهمینه،1404،تحلیل داده محور سیارات فراخورشیدی با رویکرد یادگیری بدون ناظر و غربالگری زیست پذیری،دومین کنفرانس بین المللی دو سالانه پیشرفت ها در هوش مصنوعی و علوم داده،بوشهر

ارائه‌شده در

همایش «بسیج، پیشرفت و امنیت پایدار در منطقه جنوب شرق کشور»7 بهمن 1404 · تهران