通过基于 Transformer 的算法在 TESS 全帧图像中识别系外行星凌日候选体

本文链接：https://blog.csdn.net/lovechris00/article/details/145662559

Exoplanet Transit Candidate Identification in TESS Full-Frame Images via a Transformer-Based Algorithm
https://arxiv.org/abs/2502.07542

文章目录

摘要

本文提出了一种基于 Transformer 的神经网络模型，用于在 TESS（凌星系外行星勘测卫星， Transiting Exoplanet Survey Satellite）的全帧图像（FFI）中直接检测系外行星凌日信号（exoplanetary transit signals）。
与传统的相位折叠方法不同，该模型无需假设凌日信号的周期性，能够直接从光变曲线中识别凌日信号。通过多头自注意力机制，模型能够捕捉光变曲线中的长距离依赖关系，并结合背景和中心时间序列数据，有效区分行星凌日和其他变化源。
模型在 TESS 的第 1-26 区段中成功识别了 214 个新的行星系统候选者，包括 122 个多次凌日光变曲线、88 个单次凌日和 4 个多行星系统。

引言

随着天文数据的快速增长，自动化方法在系外行星检测中变得越来越重要。
TESS 任务已经发现了数千颗系外行星候选者，但传统方法依赖于相位折叠和周期性假设，可能会错过一些非周期性或单次凌日信号。
本文提出的方法通过 Transformer 模型直接处理光变曲线，避免了这些限制。

方法

数据预处理：对 TESS 的光变曲线进行标准化处理，确保每条光变曲线长度为 1000 个数据点，并进行归一化处理。
神经网络架构：结合卷积神经网络（CNN）和 Transformer 编码器，CNN 用于提取局部特征，Transformer 编码器用于捕捉全局依赖关系。
训练数据增强：通过添加噪声、随机滚动、分割交换和镜像翻转等技术增强训练数据，防止过拟合。
真实数据集：使用 TESS 的已知系外行星、食双星（EBs）和非凌日信号作为训练数据，并通过注入光变曲线生成更多训练样本。

图1：（a）Transformer encoder，它使用位置编码与输入嵌入相结合来处理时间序列输入，并通过自注意力机制计算特征表示。
（b）自注意力机制，其中Q、K矩阵用于计算注意力分数。然后这些分数被应用于V来生成自注意力特征图。
在这里插入图片描述

模型用于训练和评估的标签和数据集：

在这里插入图片描述

下图展示了提出的架构的示意图。架构的输入包括通量、质心和背景的时间序列数据，这些数据被整合成输入嵌入，并经过卷积嵌入处理。
处理后的数据（称为标记），结合位置编码，通过变压器编码器中的多头自注意力（MSA）机制进行处理。
变压器编码器输出的特征嵌入随后通过平均池化层，再由一个前馈的多层感知机（MLP）头进行分类预测。
预测的输出通过损失函数 H(y^, y)进行评估，以将输入数据分类为两个类别（0或1）中的一个。

在这里插入图片描述