利用深度学习识别系外行星：用于开普勒DR25和候选体审查的CNN与RNN分类器
地球与行星天体物理
2025-09-08 v1 天体物理仪器与方法
摘要
开普勒（Kepler）、TESS以及即将到来的PLATO等系外行星巡天任务的快速扩展，产生了海量的光变曲线数据集，对传统的审查流程构成了挑战。我们引入了一个混合深度学习框架，该框架集成了卷积网络、双向LSTM和注意力机制，以更高的准确性和可解释性识别行星凌星信号。该模型在开普勒DR25数据上训练，达到了F1 = （AUC--ROC = ），显著优于仅使用CNN的基线模型。基于注意力的可视化突出了与天体物理预期一致的入凌和出凌阶段。应用于1360个DR25候选体分布，我们的流程识别出190个通过初步验证的高置信度信号（P(模型) 0.70）。经过全面的假阳性概率（FPP）分析和污染测试，13个候选体获得了统计验证，其中3个被完全确认为稳健的系外行星：KOI-901.01（温暖的迷你海王星）、KOI-1066.01（热木星）和KOI-212.01（温暖的海王星）。每个候选体的推理时间约为毫秒，该框架能够为TESS和未来的PLATO任务提供可扩展的实时分类，同时已验证的候选体为径向速度、计时和大气后续观测提供了一个优先列表。这种可解释、高效的管道解决了系外行星确认中的瓶颈，推动了大规模巡天时代可扩展发现的发展。
引用
@article{arxiv.2509.04793,
title = {Identifying Exoplanets with Deep Learning: A CNN and RNN Classifier for Kepler DR25 and Candidate Vetting},
author = {Bibin Thomas and Vittal Bhat M and Salman Arafath Mohammed and Abdul Wase Mohammed and Adis Abebaw Dessalegn and Mohit Mittal},
journal= {arXiv preprint arXiv:2509.04793},
year = {2025}
}