ExoNet: Multimodal Deep Learning for TESS Exoplanet Candidate Identification via Phase-Folded Light Curves, Stellar Parameters, and Multi-Head Attention Fusion

📄 arXiv: 2604.15560v1 📥 PDF

作者: Md. Rashadul Islam

分类: astro-ph.EP, astro-ph.IM, cs.LG

发布日期: 2026-04-16

备注: 8 pages, 4 figures, 4 tables

💡 一句话要点

ExoNet：利用多模态深度学习和注意力机制识别TESS系外行星候选者

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 系外行星 多模态学习 深度学习 注意力机制 光变曲线 行星探测

📋 核心要点

  1. 人工验证系外行星候选者的过程存在局限性，导致大量TESS卫星发现的候选者未被确认。
  2. ExoNet通过融合相位折叠光变曲线和恒星参数，利用多头注意力机制进行特征提取和融合，实现更准确的分类。
  3. ExoNet在开普勒数据集上训练后，成功泛化到TESS数据，并识别出多个高置信度的宜居带系外行星候选者。

📝 摘要（中文）

本研究提出ExoNet，一个多模态深度学习框架，用于识别TESS（凌星系外行星巡天卫星）发现的系外行星候选者。由于人工筛选过程的局限性，大量候选者尚未得到确认。ExoNet集成了相位折叠的全局和局部光变曲线表示以及恒星参数，采用后期融合架构，结合了一维卷积神经网络和多头注意力机制。该模型在标记的开普勒数据集上训练，实现了强大的分类性能，并展示了对TESS数据的有效泛化能力。应用于200个未确认的TESS行星候选者，该模型识别出多个高置信度的候选者，包括几个位于宜居带内的候选者。结果突出了多模态融合和注意力机制在自动系外行星候选者验证中的有效性。

🔬 方法详解

问题定义：论文旨在解决TESS卫星发现的大量系外行星候选者由于人工验证效率低而难以确认的问题。现有方法依赖人工筛选，耗时且容易出错，无法有效处理海量数据。

核心思路：论文的核心思路是利用多模态深度学习，将光变曲线和恒星参数等不同来源的信息进行融合，并通过注意力机制学习不同特征的重要性，从而实现自动、高效、准确的系外行星候选者识别。这种方法模拟了专家在验证过程中的综合分析能力。

技术框架：ExoNet采用后期融合架构。首先，使用1D CNN分别处理相位折叠的全局和局部光变曲线，提取时序特征。然后，将恒星参数输入到全连接网络中提取特征。接着，使用多头注意力机制融合来自光变曲线和恒星参数的特征。最后，通过分类器判断是否为系外行星。

关键创新：ExoNet的关键创新在于多模态融合和多头注意力机制的应用。多模态融合能够充分利用不同类型的数据，提高模型的鲁棒性和准确性。多头注意力机制能够学习不同特征的重要性，从而更好地进行特征融合和分类。

关键设计：光变曲线被处理成相位折叠的形式，以突出凌星信号。使用了多个注意力头，以便模型能够关注不同的特征子空间。损失函数采用交叉熵损失函数，优化器采用Adam优化器。具体的网络结构和参数设置在论文中有详细描述（未知）。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

ExoNet在开普勒数据集上取得了强大的分类性能，并成功泛化到TESS数据。在200个未确认的TESS行星候选者中，ExoNet识别出多个高置信度的候选者，包括几个位于宜居带内的候选者。这些结果表明ExoNet在自动系外行星候选者验证方面具有显著优势。

🎯 应用场景

ExoNet可应用于大规模系外行星候选者的自动验证，加速系外行星的发现过程。该技术能够帮助天文学家从海量数据中快速筛选出有潜力的候选者，从而将更多精力投入到后续的观测和确认工作中。此外，该方法也可扩展到其他天文学数据分析任务中。

📄 摘要（原文）

NASA's Transiting Exoplanet Survey Satellite (TESS) has identified thousands of exoplanet candidates, yet many remain unconfirmed due to the limitations of manual vetting processes. This paper presents ExoNet, a multimodal deep learning framework that integrates phase-folded global and local light curve representations with stellar parameters using a late-fusion architecture combining 1D Convolutional Neural Networks and Multi-Head Attention. Trained on labeled Kepler data, ExoNet achieves strong classification performance and demonstrates effective generalization to TESS data. Applied to 200 unconfirmed TESS planet candidates, the model identifies multiple high-confidence candidates, including several within the habitable zone. The results highlight the effectiveness of multimodal fusion and attention mechanisms in automated exoplanet candidate validation.