One Transit Is All You Need: Detecting Exoplanets Through Learned Stellar Behaviour with EXOVEIL

Resumen Técnico: ExoVeil – Detección de Exoplanetas mediante el Aprendizaje del Comportamiento Estelar

1. El Problema
Los sistemas actuales de detección de tránsitos basados en aprendizaje automático (ML) (por ejemplo, ExoMiner, AstroNet, RAVEN) operan como clasificadores que requieren curvas de luz plegadas en fase con un periodo orbital conocido. Esto crea un punto ciego estructural para los planetas de periodo largo, que pueden transitar solo una o dos veces durante una ventana de observación (por ejemplo, un sector de 27 días de TESS o una observación continua de dos años de PLATO). Dado que estos eventos raros no pueden plegarse en fase, los clasificadores existentes no pueden intentar la detección. Además, los objetivos científicamente más valiosos —análogos de la Tierra que orbitan estrellas similares al Sol— caen precisamente en este régimen de "tránsito único". Separar las señales planetarias reales de los falsos positivos (binarias eclipsantes, artefactos instrumentales, variabilidad estelar) sigue siendo un desafío crítico, particularmente cuando las señales son tenues (10–1000 ppm) y están enterradas en el ruido.

2. Metodología
El artículo presenta ExoVeil, un sistema que redefine la detección de tránsitos de la clasificación a la detección de anomalías mediante la predicción. En lugar de clasificar curvas de luz plegadas, ExoVeil aprende el comportamiento esperado del brillo de una estrella y señala las desviaciones. El marco consta de cuatro etapas:

• Modelo de Mundo (Predicción): Un codificador Transformer causal (6 capas, 8 cabezales, ~3.2M de parámetros) se entrena en series temporales de flujo bruto utilizando aprendizaje auto-supervisado con enmascaramiento de tránsito. Para las estrellas con planetas en el conjunto de entrenamiento, las regiones de tránsito conocidas se enmascaran y se reemplazan con líneas de base interpoladas, asegurando que el modelo nunca "vea" un tránsito durante el entrenamiento. El modelo predice el flujo esperado ($\hat{y}_t$) y la log-varianza ($\log \sigma^2_t$) para el siguiente paso de tiempo basado en el historial, utilizando una codificación de tiempo continuo para manejar la cadencia irregular y un módulo de des-tendencia aprendido para eliminar la variabilidad estelar de baja frecuencia.
• Detección de Filtro Acoplado (Matched-Filter): El sistema calcula los residuos ($r_t = y_t - \hat{y}_t$). Un detector de filtro acoplado realiza una convolución de estos residuos con plantillas de caja de media cero de diversas duraciones (3–25 puntos de datos). El detector utiliza la varianza predicha por el modelo para la ponderación inversa, aumentando la sensibilidad en regiones fotométricamente tranquilas y reduciendo los falsos disparos en regiones ruidosas.
• Clasificador Aprendido: La puntuación manual inicial falló (AUC 0.36) porque las binarias eclipsantes producen residuos más profundos que los planetas. En consecuencia, se entrenó un clasificador XGBoost con 21 características derivadas de la salida del modelo de mundo (por ejemplo, SNR de residuo plegado, profundidad normalizada por varianza, ratio de incertidumbre epistémica) y parámetros estelares. Esta etapa separa los planetas de los falsos positivos.
• Predicción Conforme y la Incertidumbre: El sistema aplica predicción conforme dividida ($\alpha=0.05$) para proporcionar clasificaciones con cobertura garantizada. La incertidumbre se descompone en componentes alejatorias (varianza media predicha) y epistémicas (varianza de MC Dropout a través de 30 pasadas), categorizando los candidatos como confiables, limitados por los datos, inciertos para el modelo o ambiguos.

3. Contribuciones Clave

• Capacidad de Tránsito Único: ExoVeil es el primer sistema de ML capaz de detectar planetas que transitan solo una vez, operando directamente sobre el flujo bruto sin requerir un periodo conocido o plegado de fase.
• Transferencia Zero-Shot entre Misiones: El sistema demuestra la capacidad de generalizar a través de misiones. Un modelo entrenado exclusivamente con datos de Kepler detectó con éxito tránsitos en datos de TESS (y viceversa en simulación) sin necesidad de reentrenamiento o ajuste fino.
• Predicción Conforme en el Veto de Tránsitos: Este trabajo proporciona la primera aplicación de la predicción conforme a la detección de tránsitos, ofreciendo garantías de cobertura empírica formal (95.9%) y una incertidumbre descompuesta para la clasificación de candidatos.
• Lanzamiento de Código Abierto: El sistema se lanza como un paquete de Python (pip install exoveil) con pesos preentrenados, un catálogo de candidatos y un cuaderno de demostración.

4. Resultados

• Búsqueda Ciega (Kepler): Aplicado a 3,737 estrellas de Kepler, ExoVeil identificó 179 nuevas señales tipo tránsito que no estaban presentes en el catálogo de TCE de DR25. Esto incluye 46 candidatos de monotránsito de Nivel 1 (eventos únicos con SNR > 10). El candidato más fuerte, KIC 11706231, muestra una caída de 231 ppm con un SNR de 31.2 en una enana fría.
• Inyección-Recuperación: En pruebas de inyección-recuperación de tránsito único, ExoVeil recuperó el 32% de los tránsitos a una profundidad de 1000 ppm (corregido por FP). Por construcción, los sistemas basados en clasificación puntúan un 0% en esta tarea.
• Validación Cruzada de Misiones: Al aplicarse a 47 planetas confirmados de TESS en el campo PLATO LOPS2 sin reentrenamiento, ExoVeil logró una recuperación del 100%, incluyendo planetas de periodo largo (por ejemplo, TOI-4562 b, P=225d) y tránsitos tenues (por ejemplo, GJ 238 b, 160 ppm).
• Simulación de Cadencia de PLATO: A la cadencia de 25 segundos de PLATO (simulada con ruido de 50 ppm), la sensibilidad de detección alcanzó los 100 ppm, acercándose al régimen de los análogos de la Tierra (84 ppm).
• Rendimiento de Clasificación: En el conjunto de prueba Kepler DR25, el clasificador XGBoost logró un AUC de 0.938, utilizando únicamente series temporales de flujo (comparado con el 0.98 de ExoMiner que utiliza múltiples entradas de diagnóstico).

5. Significado y Reivindicaciones
El artículo afirma que ExoVeil aborda una limitación fundamental en la detección actual de exoplanetas: la incapacidad de encontrar planetas de periodo largo que no exhiben periodicidad dentro de la ventana de observación. Al cambiar de la clasificación a la predicción, el sistema aprende la física estelar "normal", haciendo que los tránsitos planetarios aparezcan como anomalías negativas sistemáticas.

Los autores enfatizan que, si bien ExoVeil no reemplaza a los sistemas de clasificación existentes, extiende la detección a regímenes que ellos no pueden alcanzar. La capacidad de transferencia zero-shot sugiere que el modelo ha aprendido la física estelar genuina en lugar de artefactos específicos de la misión. La integración de la predicción conforme ofrece un nuevo estándar para el veto de candidatos, permitiendo a los observadores priorizar objetivos basados en la confianza calibrada y la incertidumbre descompuesta, lo que potencialmente reduce el costo del seguimiento desde tierra. El artículo concluye que, con la mayor resolución temporal de futuras misiones como PLATO, este enfoque podría hacer que la detección de análogos de la Tierra a partir de eventos de tránsito único o pocos tránsitos sea factible.