ExoNet：使用相位折叠光变曲线、恒星参数与多头注意力校准多模态深度学习的TESS系外行星候选体筛选
地球与行星天体物理
2026-04-23 v3 天体物理仪器与方法
机器学习
摘要
大规模发现系外行星已成为现代天体物理学中最重要的数据科学挑战之一。截至2026年初，NASA的凌星系外行星巡天卫星（TESS）已编目超过7,800个行星候选体，但已确认的不足720个。本文提出了ExoNet，一个多模态深度学习框架，通过结合一维卷积神经网络、时间特征图上的8头多头注意力以及带有事后温度缩放校准的残差融合头的校准后融合架构，联合处理相位折叠的全局和局部光变曲线视图以及恒星参数特征。ExoNet在7,585个有标签的Kepler目标天体上训练，实现了Test AUC = 0.9549和86.3%的准确率。将其应用于4,720个经TOI-TIC交叉识别验证并对照NASA系外行星档案核实的未确认TESS行星候选体，该模型得出了1,754个高置信度信号、52个宜居带候选体以及6个半径小于1.6个地球半径的地球大小宜居带目标。TOI-5728.01和TOI-6716.01成为最类地、未确认的候选体。完整的消融实验证实每种模态均提升了AUC。代码和星表已公开发布。
引用
@article{arxiv.2604.15560,
title = {ExoNet: Calibrated Multimodal Deep Learning for TESS Exoplanet Candidate Vetting using Phase-Folded Light Curves, Stellar Parameters, and Multi-Head Attention},
author = {Md. Rashadul Islam},
journal= {arXiv preprint arXiv:2604.15560},
year = {2026}
}
备注
v2: Complete revision. Corrected systematic TOI/TIC cross-identification errors present in v1. Rebuilt inference pipeline using verified NASA Exoplanet Archive catalog (4,720 PC-disposition candidates, up from 200). Updated all results, figures, and performance metrics. 8 pages, 4 figures, 6 tables