DART-Vetter：用于自动分选系外行星候选对象的深度学习工具
地球与行星天体物理
2025-06-09 v1 天体物理仪器与方法
机器学习
摘要
在新系外行星候选体的识别中，深度学习模型的运用已被证明是高效分析持续增长的光度观测数据所必需。为进一步提高这些模型的鲁棒性，有必要利用来自不同转体观测（如NASA的Kepler、Transiting Exoplanet Survey Satellite（TESS）以及即将推出的ESA PLAnetary Transits and Oscillation of stars（PLATO）任务）的数据的互补性。本文提出了一种深度学习模型，命名为DART-Vetter，能够区分来自任何潜在转体观测检测的系外行星候选体（PC）与虚假阳性信号（NPC）。DART-Vetter是一种卷积神经网络，仅处理以相对信号周期折叠的光度曲线，具有比文献中其他分选和/或鉴别模型更简单和更紧凑的架构。我们在大量公开可获取且标签一致的TESS和Kepler光度曲线数据集上训练和测试DART-Vetter，以证明该模型的有效性。尽管其结构简单，DART-Vetter在与Exominer和Astronet-Triage比较时仍实现了高度具竞争力的分选性能，其在TESS和Kepler数据集上的召回率达91%。其紧凑、开源且易于复制的架构使DART-Vetter成为自动化分选程序或辅助人类鉴别员的极其有用工具，显示出在MES > 20且轨道周期 < 50天的TCEs上的离散泛化能力。
引用
@article{arxiv.2506.05556,
title = {DART-Vetter: A Deep LeARning Tool for automatic triage of exoplanet candidates},
author = {Stefano Fiscale and Laura Inno and Alessandra Rotundi and Angelo Ciaramella and Alessio Ferone and Christian Magliano and Luca Cacciapuoti and Veselin Kostov and Elisa Quintana and Giovanni Covone and Maria Teresa Muscari Tomajoli and Vito Saggese and Luca Tonietti and Antonio Vanzanella and Vincenzo Della Corte},
journal= {arXiv preprint arXiv:2506.05556},
year = {2025}
}
备注
Number of pages: 24, Number of figures: 8, Article accepted for publication in The Astronomical Journal on 2025-05-30