基于新型混合深度学习模型的 TESS 数据识别遮蔽双星

遮蔽双星系统（EBs）作为天体物理学中的基础对象，近年来受到广泛关注。这些系统在一颗星体遮挡另一颗星体时，光强会出现周期性下降，产生特征性的光变曲线（LC）。随着 Transiting Exoplanet Survey Satellite（TESS）的发射，大量星体 LC 数据库逐渐可用，为发现新型EBs提供了前所未有的机会。为高效识别此类系统，本文提出一种新方法，将 LC 数据和广义勒夫特-斯卡格尔周期图（GLS）数据相结合进行分类。该方法的核心是 CNN Attention LSTM Net（CALNet），一种集成卷积神经网络（CNN）、长短期记忆网络（LSTM）以及基于卷积块注意力模块（CBAM）的注意力机制的混合深度学习模型。我们收集了4225个EB样本，利用其2分钟采样率的LC进行模型训练和验证。CALNet实现了99.1%的召回率，显示其稳健且有效。将其应用于TESS Sectors 1至74的2分钟LC，经人工可视化检查后，发现了9351个新的EBs，显著扩充了已知EBs的数量。这一工作凸显了先进深度学习技术在大规模天文巡天中的潜力，为进一步研究EBs提供了宝贵资源。