Mitigating stellar radial velocity jitter using orthogonal activity indices and a time-aware neural network

技術的概要：直交活動指標と時間認識型ニューラルネットワークを用いた恒星の視線速度ジャイターの軽減

問題提起
高分散分光器（HARPS、CARMENES、ESPRESSO など）の機器的進歩により精度が cm s⁻¹ レジームへと押し上げられつつあるにもかかわらず、地球型系外惑星の検出は恒星磁気活動によって依然として妨げられています。スポット、ファクラ、対流斑などの表面不均一性は、m s⁻¹ レベルの視線速度（RV）変動を引き起こし、惑星信号を模倣したり隠蔽したりすることがよくあります。これらの効果はスペクトル線形を歪め、その歪みは交差相関関数（CCF）の標準的なガウス近似では完全には捉えられません。ガウス過程（GP）回帰や標準的な活動指標（BIS、FWHM など）を含む既存の軽減戦略は、特に活動的な恒星において、複雑な非ガウス性の線歪みを真のドップラーシフトから分離することにしばしば苦労しています。

手法
著者らは、恒星活動から惑星信号を分離するための二段階のフレームワークを提案します。

1. CCF の直交分解:
   ガウス近似のみに依存するのではなく、著者らはグラム・シュミットの直交基底を用いて CCF を分解します。これにより観測を以下の要素に分離します。

   • 線シフト成分（$l(t)$）: 正味の速度シフト（ドップラー＋活動誘起の見かけのシフト）を捉える。
   • 線形歪み成分（$g_n(t)$）: 歪み基底関数から導出される。
     ガウス型プロファイル（例：$\epsilon$ Eridani）の場合、単一のエルミート基底が使用されます。一方、冷却 M 矮星に典型的な非ガウス性の二重ピークプロファイル（例：TZ Arietis）の場合、マルチエルミート基底（2 つのガウシアン和）が採用されます。この分解により、歪み係数（$g_n$）が線シフトに対して数学的に直交する時系列係数（$c_1, l, g_2, g_3, \dots$）が得られ、これらは純粋な活動指標として機能します。

2. 時間認識型ニューラルネットワーク（CANSTAR）:
   著者らは CANSTAR（Convolutional-Attention Network for STellar Activity Removal）を開発しました。観測を独立したスナップショットとして扱う標準的な全結合ネットワーク（FCN）とは異なり、CANSTAR は時間的コンテキストを統合します。

   • アーキテクチャ: 1 次元畳み込み層を用いて歪み係数の時系列から局所的な高周波特徴を抽出し、その後、長期的な時間依存性をモデル化するマルチヘッド自己注意機構を備えたトランスフォーマーエンコーダ層が続きます。
   • トレーニング: ネットワークは、物理的に動機付けられた恒星活動シミュレータである StarSim によって生成された合成データでトレーニングされます。トレーニングセットには、各ターゲットに対して 50 万回のシミュレーションが含まれ、現実的な光子ノイズの注入と、活動領域パラメータ（スポット、ファクラ）のばらつきが組み込まれています。ネットワークは、歪み係数から活動誘起シフト成分（$\kappa$）を予測することを学習します。

主要な貢献

• 活動指標のための直交基底: 本論文は、エルミートおよびマルチエルミートといった直交基底関数を用いて線シフトを線形歪みから分離する厳密な数学的枠組みを導入し、古典的な指標（CON、FWHM、BIS）を低次係数として回復しつつ、高次の歪みに対する感度を拡張します。
• 活動補正における時間モデル化: 畳み込み層とトランスフォーマー注意機構を統合することで、CANSTAR は恒星活動の時間相関性（活動領域の進化、移動、再出現）を明示的にモデル化し、時間非依存アーキテクチャを上回ります。
• 合成データから実データへの転移: 本研究は、現実的なノイズ注入を伴う合成 StarSim データのみにトレーニングされたネットワークが、HARPS および CARMENES の実観測データにおける活動を成功裡に軽減するパイプラインを実証しています。

結果
このフレームワークは、2 つの活動的な恒星で検証されました。

• $\epsilon$ Eridani（K2 矮星）: CANSTAR は、RV 二乗平均平方根（RMS）を未補正の変動の 52.5% まで低減しました（4.69 m s⁻¹ から 2.46 m s⁻¹ へ）。回転周期（11.2 日）とその高調波における活動誘起のピークは、10% 偽警報確率（FAP）レベル以下に抑制されました。惑星信号の検出限界（10% 精度）は、未補正の 3.99 m s⁻¹ から 2.51 m s⁻¹ に改善されました。
• TZ Arietis（M5 矮星）: 惑星信号（TZ Ari b）が強い活動と共存するこの恒星において、CANSTAR はケプラーモデルとの共同フィットに使用されました。CANSTAR は、ケプラー信号を差し引いた後の変動の RV RMS を 62.4% まで低減しました。重要なのは、CANSTAR がガウス過程（GP）回帰と比較して TZ Ari b のより精密な軌道パラメータを提供したことです。GP モデルは柔軟性/過学習によりわずかに散乱をより多く低減しましたが、修正されていない活動エイリアスに起因すると考えられる顕著な残留周期性（37.2 日および 41.4 日）を残しました。CANSTAR はこれらの信号を効果的に除去し、長周期信号の惑星起源を確認しました。

ノイズのないシミュレーションデータにおいて、CANSTAR はほぼ完璧な補正（残留相対誤差は約 3-4%）を達成し、FCN を大幅に上回りました。ノイズの多い領域においても、CANSTAR は FCN に比べて飽和に達するまでの入力係数が少ないという優れた性能を維持しました。

意義と主張
著者らは、その結果が、時間的コンテキストを組み込んだニューラルネットワークが、複雑な活動領域において最先端の方法（特に GP）を上回ることを実証していると主張しています。高次の線形歪みと時間的進化を活用することで、CANSTAR は惑星信号を恒星活動から分離するための堅牢な道筋を提供します。

本論文は、合成データと実データの間の性能ギャップ（ノイズのあるシミュレーションでは約 13% だった残留相対誤率が、実データでは約 52-62% に増加）を認めており、これをモデル化されていない機器系統誤差と StarSim における 1 次元大気モデルの限界に帰因しています。しかし、著者らは、3 次元磁気流体力学（MHD）スペクトルと機器系統誤差をトレーニングデータに統合することなどの将来の改善により、このギャップが埋められると主張しています。彼らは、このアプローチが現在、光子ノイズフロアへと検出限界を押し上げ、太陽型恒星周辺の低質量惑星やエグゾアースの発見を促進する能力を持っていると結論付けています。