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

ملخص تقني لورقة بحثية: "ExoNet: التعلم العميق متعدد الوسائط لتحديد مرشحي الكواكب الخارجية التابعة لمهمة TESS عبر المنحنيات الضوئية المجمعة طورياً، والمعاملات النجمية، ودمج الانتباه متعدد الرؤوس."

1. بيان المشكلة

حدد مسبار مراقبة الكواكب الخارجية العابرة (TESS) التابع لناسا أكثر من 7,800 مرشح لكوكب حتى أوائل عام 2026، ومع ذلك تم تأكيد أقل من 720 منها فقط. هذا يخلق "عنق زجاجة في التحقق" هائل. يعتمد التدقيق التقليدي على الفحص اليدوي لتقارير التحقق من البيانات (DV)، وهي عملية لا يمكنها مواكبة حجم البيانات. وبينما استخدمت حلول التعلم الآلي السابقة (مثل AstroNet وExoMiner) الشبكات العصبية التلافيفية (CNNs)، إلا أنها غالباً ما تتعامل مع المنحنيات الضوئية والمعاملات النجمية بشكل منفصل أو تفتقر إلى آليات الانتباه المتقدمة للتعلم المشترك من كلا الوسيطين. هناك حاجة لإطار عمل متعدد الوسائط، قابل للتوسع والأتمتة، يمكنه تدقيق المرشحين بكفاءة وتحديد أولويات أولئك الموجودين في النطاق الصالح للسكن.

2. المنهجية: بنية ExoNet

ExoNet هو إطار تعلم عميق ثلاثي الوسائط مصمم لترميز المنحنيات الضوئية المجمعة طورياً والمعاملات النجمية بشكل مشترك. تتكون البنية من ثلاثة مسارات متوازية يتم دمجها عبر آلية دمج متأخر (late-fusion):

• مدخلات البيانات:

  • عرض المنحنى الضوئي العالمي (Global View): منحنى ضوئي مجمع طورياً يغطي المدار الكامل ($N=2001$ من الحاويات، $\phi \in [-0.5, 0.5]$) لالتقاط الكسوف الثانوي وعدم التماثل.
  • عرض المنحنى الضوئي المحلي (Local View): عرض مكبّر لحدث العبور ($N=2001$ من الحاويات، $|\phi| < 2\Delta t/P$) للحفاظ على أشكال الدخول والخروج (ingress-egress).
  • المعاملات النجمية: متجه مكون من 8 سمات قياسية لكل هدف (الفترة، المدة، العمق، نصف القطر، درجة الحرارة التوازنية، درجة الحرارة الفعالة، الجاذبية السطحية، المعدنية).

• مكونات الشبكة:

  • مشفرات 1D CNN: فرعان منفصلان من نوع 1D CNN (عالمي ومحلي) يعالجان المنحنيات الضوئية. يستخدم كل منهما خمس كتل تلافيفية متبقية (residual Conv1D blocks) مع عدد فلاتر متزايد (من 16 إلى 256) وتجميع بخطوة قدرها 2 (stride-2 pooling)، مما يقلل طول التسلسل من 2001 إلى حوالي 62 خطوة.
  • الانتباه متعدد الرؤوس (MHA): يتم تطبيق آلية الانتباه متعدد الرؤوس (8 رؤوس) على الخرائط الميزات الزمنية لمخرجات الـ CNN. يسمح هذا للنموذج بزيادة وزن المناطق الحرجة ديناميكياً (مثل دخول وخروج العبور) وتقليل وزن الاضطرابات (systematics)، محاكياً بذلك سلوك التدقيق البشري.
  • شبكة MLP النجمية: تعالج شبكة Perceptron متعددة الطبقات (MLP) المتجه النجمي ذي الـ 8 أبعاد، لتنتج تضميناً (embedding) بـ 128 بُعداً.
  • رأس الدمج المتأخر (Late Fusion Head): يتم دمج التضمينات من فرعي الـ CNN (256 بُعداً لكل منهما) والـ MLP النجمي (128 بُعداً) في متجه واحد بـ 640 بُعداً. يمر هذا المتجه عبر MLP دمج متبقي (512 $\to$ 256 وحدة) مع اتصال اختصار خطي قبل رأس التصنيف الثنائي (Softmax).

• بروتوكول التدريب:

  • مجموعة البيانات: تم التدريب على بيانات Kepler المصنفة (أرشيف ناسا للكواكب الخارجية) مع تقسيم (70/15/15) للتدريب/التحقق/الاختبار.
  • التعزيز (Augmentation): إضافة ضوضاء غاوسية، إزاحات طورية، وتغيير مقياس التدفق.
  • التحسين (Optimization): مُحسن AdamW مع جدولة OneCycleLR، تم التدريب على وحدة معالجة رسومية واحدة من نوع NVIDIA L4 باستخدام الدقة المختلطة (FP16) في أقل من ساعتين.

3. المساهمات الرئيسية

1. بنية ثلاثية الوسائط: أول تطبيق لبنية 1D CNN + Multi-Head Attention + Residual Late-Fusion لتدقيق الكواكب الخارجية، والتي تدمج صراحةً العروض العالمية، والعروض المحلية، والسياق النجمي.
2. دراسات الاستئصال (Ablation Studies): أثبتت أن كل وسيط (العالمي، المحلي، والنجمي) وآلية MHA توفر مكاسب أداء ملموسة.
   ขึ้น
3. كتالوج مرشحي TESS: تطبيق النموذج على 200 من مرشحي كواكب TESS غير المؤكدة (PCs)، وتحديد إشارات عالية الثقة.
4. اكتشاف TOI-7949.87: تحديد مرشح بنصف قطر قريب من الأرض ($0.97 R_\oplus$) حول نجم شبيه بالشمس بثقة بلغت 99.64%.
5. العلوم المفتوحة: الإصدار الكامل للكود، والنماذج المدربة، وكتالوج مرتب للمرشحين، بما في ذلك 19 إشارة في النطاق الصالح للسكن.

4. النتائج

• الأداء على مجموعة اختبار Kepler:
  • مساحة تحت المنحنى (AUC) للاختبار: 0.8112 (AUC للتحقق: 0.8566).
  • الدقة: 72.86%.
  • تأثير الاستئصال:
    • CNN عالمي فقط: 0.749 AUC.
    • CNN عالمي + محلي: 0.793 AUC.
    • الثلاثي الوسائط الكامل (ExoNet): 0.8112 AUC.
    • ساهمت آلية الانتباه متعدد الرؤوس (MHA) بحوالي +0.013 AUC مقارنة بالتجميع المتوسط العالمي وحده.
• تحليل مرشحي TESS (200 PC):
  • تحديد 35 مرشحاً عالي الثقة ($\ge 70\%$ احتمالية).
  • 27 مرشحاً تجاوزوا 85% ثقة.
  • 19 مرشحاً يقعون ضمن نطاق درجة حرارة النطاق الصالح للسكن (200–400 كلفن).
  • أفضل مرشح: TOI-7949.87 (احتمالية 99.64%، $0.97 R_\oplus$، فترة 15 يوماً، مضيف شبيه بالشمس).
  • هدف متابعة بارز: TOI-5521.20 (مضيف قزم أحمر، $1.90 R_\oplus$، فترة 35 يوماً، 327 كلفن)، مناسب للمتابعة بالسرعة الشعاعية.

5. الأهمية والقيود

• الأهمية:
  • القابلية للتوسع: يتدرب النموذج في أقل من ساعتين على وحدة معالجة رسومية واحدة، مما يوفر بديلاً متاحاً للغاية للخطوط البرمجية المملوكة مثل ExoMiner.
  • القابلية للتفسير: استخدام الانتباه متعدد الرؤوس يسمح للنموذج بتعلم أين ينظر في المنحنى الضوئي، محاكياً منطق التدقيق البشري دون برمجة قواعد صريحة.
  • التركيز على النطاق الصالح للسكن: نجحت الأداة في ترتيب أولويات المرشحين في النطاق الصالح للسكن، مما يساعد جهود توصيف الغلاف الجوي المستقبلية لـ JWST.
• القيود:
  • فجوات البيانات: افتقر حوالي 1/3 من مرشحي TESS إلى منحنيات ضوئية متاحة، مما استلزم استخدام الحشو الصفري (zero-padding).
    • انزياح النطاق (Domain Shift): تم تدريب النموذج على بيانات Kepler دون تكيف نطاق صريح لبيانات TESS، رغم أن القدرة على نقل التعلم كانت ضمنت متانة البنية.
  • وكيل الصلاحية للسكن: تُستخدم درجة الحرارة التوازنية كوكيل تقريبي؛ ويتطلب الأمر نمذجة الغلاف الجوي لتأكيد الصلاحية للسكن الحقيقية.

الخاتمة

يمثل ExoNet خطوة مهمة للأمام في التدقيق الآلي للكواكب الخارجية من خلال الجمع الفعال بين دمج البيانات متعدد الوسائط وآليات الانتباه. لقد نجح في سد الفجوة بين بيانات TESS الخام ومرشحي الكواكب عالي الثقة، موفراً أداة مفتوحة المصدر وقابلة لإعادة الإنتاج للمجتمع الفلكي لتحديد أولويات الأهداف للتأكيد والتوصيف.