ExoMiner++ 2.0: Vetting TESS Full-Frame Image Transit Signals

Resumen Técnico: ExoMiner++ 2.0: Evaluación de Señales de Tránsito en Imágenes de Fotograma Completo de TESS

Planteamiento del Problema
Las Imágenes de Fotograma Completo (FFI, por sus siglas en inglés) del Satélite de Sondeo de Exoplanetas en Tránsito (TESS) proporcionan series temporales fotométricas para millones de estrellas, expandiendo significativamente el espacio de búsqueda más allá de los objetivos preseleccionados de 2 minutos. Sin embargo, los datos FFI presentan desafíos únicos para la identificación y evaluación de tránsitos, incluyendo una cadencia menor (que varía de 200 s a 30 minutos dependiendo de la fase de la misión), niveles más altos de contaminación de flujo de estrellas vecinas y una falta de cobertura extensa de múltiples sectores en comparación con los datos de 2 minutos. Los Eventos de Cruce de Umbral (TCE) resultantes requieren sistemas de evaluación automatizados y escalables capaces de distinguir señales planetarias de falsos positivos astrofísicos (por ejemplo, binarias eclipsantes, objetos de fondo) y artefactos instrumentales con tasas mínimas de falsos positivos. Los marcos de evaluación existentes, como el ExoMiner++ original, fueron entrenados principalmente con datos de 2 minutos y carecían de mecanismos específicos para manejar los problemas de contaminación y resolución espacial inherentes a los datos FFI.

Metodología
Los autores presentan ExoMiner++ 2.0, una adaptación del marco de aprendizaje profundo ExoMiner++ diseñado para evaluar los TCE de las curvas de luz de los SPOC FFI. La metodología involucra tres componentes principales:

1. Curación y Etiquetado de Datos:

   • El conjunto de datos comprende TCE de datos de 2 minutos de SPOC (Sectores 1–88) y datos FFI (Sectores 36–72).
   • Las etiquetas se derivan del catálogo ExoFOP TOI, el catálogo de binarias eclipsantes (EB) de Prsa y los resultados de triaje de flujo de TEC. Los TCE se clasifican en etiquetas binarias: "planetas" (Confirmados/Planetas de Kepler) y "no planetas" (Enanas Marrones, EBs, Falsos Positivos, Fenómenos No Transitantes e Desconocidos).
   • El conjunto de datos incluye 268,787 TCE de 2 minutos y 222,054 TCE de FFI.

2. Modificaciones Arquitectónicas y de Preprocesamiento:

   • Codificación de Estrellas Vecinas: Se introduce una novedosa representación basada en imágenes para codificar la ubicación relativa y el brillo de las estrellas conocidas del TIC vecinas. Esta información se mapea al marco de píxeles del CCD y se añade como un canal de entrada adicional a la rama de la "Imagen de Diferencia". Esto permite al modelo identificar fuentes de tránsito fuera del objetivo y falsos positivos impulsados por la contaminación, particularmente en campos congestionados.
   • Ajustes de Resolución y de Ramas: Se aumenta la resolución de la imagen de diferencia (factor de muestreo de 5, resultando en 55×55 px) para resolver mejor los desplazamientos del fotocentro. La rama de "Flujo Desplegado" (Unfolded Flux) se fusiona con otras ramas de flujo de vista de tránsito. La rama de "Descarga de Momento" (Momentum Dump) se elimina por haberse considerado no informativa.
   • Arquitectura del Modelo: El modelo incorpora agrupación de promedio global (global average pooling), submuestreo aprendido (reemplazando el max pooling), normalización por lotes (batch normalization), conexiones de salto (bloques residuales) y normalización de capa para mejorar la estabilidad del entrenamiento y reducir el sobreajuste.

3. Estrategia de Entrenamiento:

   • El modelo emplea aprendizaje de múltiples fuentes (multi-source learning), entrenando simultáneamente en los conjuntos de datos de 2 minutos y FFI. Este enfoque permite que el modelo aprenda representaciones compartidas a través de diferentes cadencias y características de ruido, aprovechando las etiquetas más ricas y los sistemáticos más limpios de los datos de 2 minutos para mejorar la generalización a los datos FFI.
   • Los experimentos utilizan validación cruzada de 5 pliegues con división basada en objetivos para evitar la fuga de datos (data leakage).

Resultados Clave

• Desempeño: ExoMiner++ 2.0 logra un Área Bajo la Curva de Precisión-Recall (PR AUC) de aproximadamente 0.95 bajo entrenamiento de múltiples fuentes. Aunque el modelo muestra un recall global ligeramente inferior comparado con el ExoMiner++ original (0.865 vs. 0.912 en el umbral 0.5), demuestra un desempeño mejorado en la identificación de subclases negativas específicas, particularmente Falsos Positivos (FP) y Enanas Marrones (BD).
• Manejo de la Contaminación: La inclusión de datos de estrellas vecinas hace que el modelo sea más conservador. Reduce sistemáticamente las puntuaciones para señales similares a tránsitos que se originan cerca de vecinos brillantes, reduciendo efectivamente la confianza en posibles falsos positivos causados por fuentes fuera del objetivo.
• Comparación de Fuentes de Datos: El desempeño en los datos de 2 minutos sigue siendo superior al de los datos FFI (PR AUC 0.967 vs. 0.952). Los autores atribuyen el menor desempeño en FFI a la mayor contaminación de flujo (menores métricas CROWDSAP), mayor variabilidad y menos ejecuciones de múltiples sectores, lo que limita la detección de señales de periodo largo.
• Catálogo de Evaluación: El modelo se aplicó a 151,616 TCE de FFI no etiquetados. El catálogo resultante identifica 2,831 candidatos con una puntuación > 0.5, incluyendo 447 candidatos de alta confianza (puntuación > 0.95). La distribución de los candidatos de alta puntuación muestra un grupo consistente con Júpiteres calientes (periodos de 2–5 días, radios de 10–20 $R_\oplus$).

Significancia y Reivindicaciones
El artículo afirma que ExoMiner++ 2.0 extiende con éxito la aplicabilidad de la evaluación mediante aprendizaje profundo a todo el conjunto de datos FFI de TESS. Sus contribuciones principales son:

1. Primera Integración de Datos de Vecinos: Es el primer evaluador de aprendizaje automático de TESS que codifica explícitamente la magnitud y ubicación relativa de las estrellas vecinas como una representación de imagen, mejorando la identificación de fuentes de tránsito fuera del objetivo.
2. Generalización Robusta: El modelo demuestra una generalización efectiva más allá del dominio canónico de 2 minutos, proporcionando una discriminación robusta entre señales planetarias, falsos positivos astrofísicos y artefactos instrumentales en el dominio más desafiante de FFI.
3. Evaluación Escalable: Al automatizar la evaluación de cientos de miles de TCE de FFI, este trabajo proporciona un catálogo de candidatos priorizado y clasificado. Esto apoya futuros estudios de población y permite a la comunidad de exoplanetas centrar los recursos de seguimiento en un conjunto de candidatos más pequeño y limpio, incluyendo aquellos que orbitan estrellas no previamente observadas con los datos de 2 minutos.

Los autores señalan limitaciones, incluyendo la escala de píxel de 21" de TESS, que limita la separación de fuentes en el objetivo y cercanas incluso con resolución mejorada, y el tamaño relativamente pequeño del conjunto de datos FFF etiquetados para subclases raras. Sugieren que se podrían lograr mejoras adicionales mediante la optimización de hiperparámetros dedicada para la rama de la "Imagen de Diferencia" y la incorporación de mecanismos de atención.