浅凌星——深度学习 I：利用深度学习探测系外行星周期凌星的可行性研究

类太阳恒星周围宜居行星的凌星预期较浅且周期较长，这意味着信息量低。此类凌星探测当前的瓶颈在很大程度上源于专用空间望远镜所获得光变曲线中存在红（相关）噪声。基于深度学习在许多信号与图像处理应用中取得的突破性成果，我们提议使用深度神经网络来解决此问题。我们给出一项可行性研究，其中我们将卷积神经网络应用于模拟训练集。该训练集包含由假想的高节奏空间望远镜接收到的光变曲线。我们使用具有多种超参数的高斯过程模拟红噪声。随后我们在以相同方式模拟的完全不同的测试集上测试该网络。我们的研究证明，确实可以探测到极困难的案例。此外，我们展示了如何研究探测趋势并量化探测偏差。我们还检验了神经网络性能针对实际伪影（如离群值与不连续性）的鲁棒性，这些伪影已知会影响基于空间的高节奏光变曲线。未来的工作将使我们能够利用神经网络刻画凌星模型并识别单个凌星。这一新方法无疑将成为未来行星探测空间任务（如 PLATO）中探测宜居行星的不可或缺的工具。