机器学习用于径向速度分析 I：面向检测行星候选对象的 Vision Transformer 作为鲁棒替代方案

极端精度径向速度 (EPRV) 调查通常需要建立 extensive 观测基线才能确认行星候选信号，因而资源消耗大。传统方法使用 periodogram 在进一步的观测投入之前识别有前景的候选信号，但其效果常因星际尘埃受限于低幅信号。本文开发了一个基于 Transformer 架构的机器学习 (ML) 框架，旨在检测时间序列光谱中是否存在及其可能的行星信号，即使存在星际活动亦可。该模型被训练用于分类是否存在行星信号并将其分配到若干离散的 period 和 amplitude 区间。对 NEID 太阳数据 (2020-2022 年) 中随机选取的 100 个 epoch 观测子集进行的注入-恢复测试显示，对于低幅系统 ($<1$ ms$^{-1}$)，我们的模型在传统 Lomb-Scargle 频谱图检测行星候选对象的准确率提高了约为二分之一。我们的 ML 模型基于 Vision Transformer (ViT) 架构，对太阳光谱观察的简化表示进行处理，以预测行星信号候选对象的 period 和半幅。通过分析多 epoch 光谱，该模型可可靠地检测到半幅最低可达 65 cms$^{-1}$ 的行星信号。即使在真实太阳噪声和不规则抽样条件下，也能识别最低可达 35 cms$^{-1}$ 的信号。与 Lomb-Scargle 频谱图的比较表明，对于检测低幅行星候选对象，尤其是较长轨道周期，本模型显著优于传统方法。这些结果凸显了机器学习在 EPRV 调查中，即使从有限观测次数就能早期识别行星候选对象的潜力。