DELOS: Detecting Shallow Transits in Kepler Photometry Using a Contrastive-Learning Framework

📄 arXiv: 2605.29428v1 📥 PDF

作者: Qingtian Liu, Jian Ge, XingChen Yan, Kevin Willis, Xinyu Yao, QuanQuan Hu, Jiapeng Zhu

分类: astro-ph.EP, astro-ph.IM, cs.AI

发布日期: 2026-05-28

备注: 25 pages, 19 figures, 1 table, submitted to ApJ

💡 一句话要点

DELOS：利用对比学习框架检测开普勒光变曲线中的浅凌星现象

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 凌星检测 对比学习 开普勒 光变曲线 低信噪比 行星搜索 卷积神经网络

📋 核心要点

  1. 现有凌星搜索方法在低信噪比下表现不佳，难以检测浅凌星信号，限制了对小行星或远距离行星的发现。
  2. DELOS利用对比学习，通过训练区分类凌星和非凌星光变曲线，从而提高对低信噪比浅凌星信号的检测能力。
  3. 实验表明，DELOS在低信噪比下显著优于传统方法BLS和TLS，并大幅提升了搜索速度，成功恢复了已知浅凌星信号。

📝 摘要（中文）

我们提出了基于对比学习的框架DELOS（利用对比评分检测相位折叠光变曲线中的凌星现象），旨在搜索开普勒光变曲线中的浅凌星现象。DELOS结合了GPU加速的相位折叠、优化的相位分箱和一个定制的一维卷积编码器，为每个折叠光变曲线分配一个类凌星评分，从而在试验周期内生成一个评分周期图，而无需依赖于预先检测到的阈值交叉事件。DELOS专注于轨道周期为100-150天的中长周期信号，使用2000万个合成光变曲线进行训练，这些光变曲线使用真实的凌星模型和类似开普勒的噪声特性生成，在合成验证集上实现了99.3%的验证准确率。在受控的注入-恢复实验中，DELOS在低信噪比（low-SNR）状态下，相对于Box-fitting Least Squares（BLS）和Transit Least Squares（TLS），将组合的精确率-召回率性能分别提高了15.5%和11.25%。与BLS和TLS相比，它还将搜索速度分别提高了约3-5倍和74-80倍。应用于选定的开普勒验证样本，DELOS恢复了测试周期范围内所有已知的浅中长周期凌星信号。这些结果表明，DELOS为低信噪比凌星搜索提供了一个高效而灵敏的框架，并且是未来在Kepler、K2、TESS、PLATO和Earth 2.0数据中搜索更长周期类地行星的实际步骤。因此，这项工作旨在作为一种方法论开发和验证研究，新识别候选者的详细天体物理验证将推迟到未来的工作中。

🔬 方法详解

问题定义：论文旨在解决在开普勒光变曲线中检测浅凌星信号的问题。现有方法，如BLS和TLS，在低信噪比情况下性能下降，难以有效检测浅凌星，导致对小行星和长周期行星的探测能力受限。

核心思路：论文的核心思路是利用对比学习，训练一个模型来区分类凌星光变曲线和非凌星光变曲线。通过学习光变曲线的内在特征，模型能够更有效地识别低信噪比的浅凌星信号。这种方法避免了传统方法中对阈值交叉事件的依赖，从而提高了检测的灵敏度。

技术框架：DELOS框架包含三个主要模块：GPU加速的相位折叠、优化的相位分箱和一维卷积编码器。首先，使用GPU加速相位折叠技术，将光变曲线按照不同的试验周期进行折叠。然后，采用优化的相位分箱方法，对折叠后的光变曲线进行处理，以减少噪声的影响。最后，使用一维卷积编码器提取光变曲线的特征，并计算一个类凌星评分。该评分用于生成评分周期图，从而确定潜在的凌星信号。

关键创新：DELOS的关键创新在于将对比学习应用于凌星检测。通过对比学习，模型能够学习到更鲁棒的特征表示，从而提高对低信噪比信号的检测能力。此外，DELOS采用了一种定制的一维卷积编码器，专门用于提取光变曲线的特征，进一步提高了检测的准确性。

关键设计：DELOS使用2000万个合成光变曲线进行训练，这些光变曲线使用真实的凌星模型和类似开普勒的噪声特性生成。损失函数采用对比损失，旨在拉近类凌星光变曲线的距离，同时推远非凌星光变曲线的距离。一维卷积编码器的具体结构未知，但其设计目标是提取对凌星信号敏感的特征。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

DELOS在低信噪比下，相对于BLS和TLS，将组合的精确率-召回率性能分别提高了15.5%和11.25%。同时，搜索速度也显著提升，与BLS和TLS相比，分别提高了约3-5倍和74-80倍。在开普勒验证样本上的实验表明，DELOS能够成功恢复所有已知的浅中长周期凌星信号。

🎯 应用场景

DELOS可应用于Kepler、K2、TESS、PLATO和Earth 2.0等天文观测数据，用于搜索长周期类地行星和小型行星。该方法能够提高对低信噪比凌星信号的检测能力，有助于发现更多潜在的宜居行星，并加深我们对行星系统形成的理解。此外，DELOS的高效性使其能够处理大规模天文数据，加速行星搜索的进程。

📄 摘要（原文）

We present DEtection in phase-folded Light curves with cOntrastive Scoring (DELOS), a contrastive-learning-based framework designed to search for shallow transits in Kepler photometry. DELOS combines GPU-accelerated phase folding, optimized phase binning, and a custom one-dimensional convolutional encoder to assign a transit-likeness score to each folded light curve, thereby producing a score periodogram over trial periods without relying on pre-detected threshold-crossing events. Focusing on intermediate-to-long-period signals with orbital periods of 100-150 days, DELOS was trained on 20 million synthetic light curves generated with realistic transit models and Kepler-like noise properties, achieving a validation accuracy of 99.3 percent on the synthetic validation set. In controlled injection-recovery experiments, DELOS improves the combined precision-recall performance by 15.5 percent relative to Box-fitting Least Squares (BLS) and 11.25 percent relative to Transit Least Squares (TLS) in the low Signal-to-Noise Ratios (low-SNR) regime. It also accelerates the search by factors of approximately 3-5 and 74-80 compared with BLS and TLS, respectively. Applied to a selected Kepler validation sample, DELOS recovered all known shallow intermediate-to-long-period transit signals in the tested period range. These results demonstrate that DELOS provides an efficient and sensitive framework for low-SNR transit searches and represents a practical step toward future searches for longer-period terrestrial planets in Kepler, K2, TESS, PLATO, and Earth 2.0 data. Accordingly, this work is intended as a methodological development and validation study, with the detailed astrophysical validation of newly identified candidates deferred to future work.