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

Résumé Technique : ExoVeil – Détection d'exoplanètes par l'apprentissage du comportement stellaire

1. Le Problème
Les systèmes actuels de détection de transits par apprentissage automatique (ML) (par exemple, ExoMiner, AstroNet, RAVEN) fonctionnent comme des classificateurs qui nécessitent des courbes de lumière repliées sur une phase avec une période orbitale connue. Cela crée un angle mort structurel pour les planètes à longue période, qui peuvent ne transiter qu'une ou deux fois durant une fenêtre d'observation (par exemple, un secteur TESS de 27 jours ou un regard PLATO de deux ans). Puisque ces événements rares ne peuvent pas être repliés sur une phase, les classificateurs existants ne peuvent pas tenter la détection. De plus, les cibles les plus scientifiquement précieuses — les analogues de la Terre orbitant autour d'étoiles de type Soleil — se situent précisément dans ce régime de « transit unique ». Séparer les signaux planétaires réels des faux positifs (binaires à éclipses, artefacts instrumentaux, variabilité stellaire) reste un défi critique, particulièrement lorsque les signaux sont peu profonds (10–1000 ppm) et enfouis dans le bruit.

2. Méthodologie
L'article présente ExoVeil, un système qui reformule la détection de transits, passant de la classification à la détection d'anomalies par prédiction. Au lieu de classifier des courbes de lumière repliées, ExoVeil apprend le comportement attendu de la luminosité d'une étoile et signale les écarts. Le cadre se compose de quatre étapes :

• Modèle de Monde (Prédiction) : Un encodeur Transformer causal (6 couches, 8 têtes, ~3,2 millions de paramètres) est entraîné sur des séries temporelles de flux bruts en utilisant un apprentissage auto-supervisé par masquage de transit. Pour les étoiles abritant des planètes dans l'ensemble d'entraînement, les régions de transit connues sont masquées et remplacées par des lignes de base interpolées, garantissant que le modèle ne « voit » jamais de transit pendant l'entraînement. Le modèle prédit le flux attendu ($\hat{y}_t$) et la log-variance ($\log \sigma^2_t$) pour le pas de temps suivant en se basant sur l'historique, utilisant un codage temporel continu pour gérer la cadence irrégulière et un module de détendance appris pour éliminer la variabilité stellaire à basse fréquence.
• Détection par Filtre Adapté : Le système calcule les résidus ($r_t = y_t - \hat{y}_t$). Un détecteur à filtre adapté convolve ces résidus avec des modèles de boîte à moyenne nulle de durées variables (3 à 25 points de données). Le détecteur utilise la variance prédite par le modèle pour une pondération inverse, augmentant la sensibilité dans les régions photométriquement calmes et réduisant les déclenchements de faux positifs dans les régions bruitées.
• Classificateur Appris : Une notation manuelle initiale a échoué (AUC 0,36) car les binaires à éclipses produisent des résidus plus profonds que les planètes. Par conséquent, un classificateur XGBoost a été entraîné sur 21 caractéristiques dérivées de la sortie du modèle de monde (par exemple, SNR des résidus repliés, profondeur normalisée par la variance, ratio d'incertitude épistémique) et des paramètres stellaires. Cette étape sépare les planètes des faux positifs.
• Prédiction Conforme et Incertitude : Le système applique une prédiction conforme scindée ($\alpha=0,05$) pour fournir des classements à couverture garantie. L'incertitude est décomposée en composantes aléatoires (variance moyenne prédite) et épistémiques (variance par MC Dropout sur 30 passages), catégorisant les candidats comme confiants, limités par les données, incertains pour le modèle ou ambigus.

3. Contributions Clés

• Capacité de Transit Unique : ExoVeil est le premier système de ML capable de détecter des planètes qui ne transitent qu'une seule fois, opérant directement sur le flux brut sans nécessiter de période connue ou de repliement de phase.
• Transfert Inter-Missions Zero-Shot : Le système démontre sa capacité à se généraliser à travers les missions. Un modèle entraîné exclusivement sur les données de Kepler a réussi à détecter des transits dans les données de TESS (et vice versa en simulation) sans réentraînement ni ajustement fin.
• Prédiction Conforme dans le Tri des Transits : Ce travail constitue la première application de la prédiction conforme à la détection de transits, offrant des garanties de couverture empirique formelles (95,9 %) et une incertitude décomposée pour le classement des candidats.
• Publication Open-Source : Le système est publié sous la forme d'un package Python (pip install exoveil) avec des poids pré-entraînés, un catalogue de candidats et un notebook de démonstration.

4. Résultats

• Recherche Aveugle (Kepler) : Appliqué à 3 737 étoiles de Kepler, ExoVeil a identifié 179 nouveaux signaux de type transit non présents dans le catalogue TCE DR25. Cela inclut 46 candidats de type monotransit de Niveau 1 (événements uniques avec SNR > 10). Le candidat le plus fort, KIC 11706231, montre une chute de 231 ppm avec un SNR de 31,2 sur une naine fraîche.
• Injection-Récupération : Dans les tests d'injection-récupération de transit unique, ExoVeil a récupéré 32 % des transits à une profondeur de 1000 ppm (corrigé des FP). Par construction, les systèmes basés sur la classification affichent un score de 0 % sur cette tâche.
• Validation Inter-Missions : Appliqué à 47 planètes TESS confirmées dans le champ PLATO LOPS2 sans réentraînement, ExoVeil a atteint une récupération de 100 %, incluant des planètes à longue période (ex: TOI-4562 b, P=225j) et des transits peu profonds (ex: GJ 238 b, 160 ppm).
• Simulation de Cadence PLATO : À la cadence de 25 secondes de PLATO (simulée avec un bruit de 50 ppm), la sensibilité de détection a atteint 100 ppm, approchant le régime des analogues terrestres (84 ppm).
• Performance de Classification : Sur l'ensemble de test Kepler DR25, le classificateur XGBoost a atteint une AUC de 0,938, utilisant uniquement les séries temporelles de flux (comparé à l'AUC de 0,98 d'ExoMiner qui utilise de multiples entrées de diagnostic).

5. Signification et Revendications
L'article affirme qu'ExoVeil répond à une limitation fondamentale de la détection d'exoplanètes actuelle : l'incapacité de trouver des planètes à longue période qui ne présentent pas de périodicité au sein de la fenêtre d'observation. En passant de la classification à la prédiction, le système apprend la physique stellaire « normale », faisant apparaître les transits planétaires comme des anomalies négatives systématiques.

Les auteurs soulignent que, bien qu'ExoVeil ne remplace pas les systèmes de classification existants, il étend la détection aux régimes qu'ils ne peuvent atteindre. La capacité de transfert zero-shot suggère que le modèle a appris la véritable physique stellaire plutôt que des artefacts spécifiques aux missions. L'intégration de la prédiction conforme offre un nouveau standard pour le tri des candidats, permettant aux observateurs de prioriser les cibles en fonction d'une confiance calibrée et d'une incertitude décomposée, réduisant potentiellement le coût du suivi au sol. L'article conclut qu'avec la résolution temporelle plus élevée des futures missions comme PLATO, cette approche pourrait rendre la détection d'analogues terrestres à partir d'événements de transit unique ou de quelques transits réalisable.