🔭 astrophysics

Variability classification of TESS targets in LOPS2, the first long-term pointing field of PLATO. Version 1 of the public variability catalogue

यह शोध पत्र प्लैटो (PLATO) मिशन के प्रारंभिक दीर्घकालिक अवलोकन क्षेत्र (LOPS2) के लिए पहले सार्वजनिक परिवर्तनशीलता कैटलॉग को प्रस्तुत करता है, जिसे लगभग 3.6 मिलियन संभावित परिवर्तनशील सितारों की पहचान करने के लिए मशीन लर्निंग का उपयोग करके 38 मिलियन टेस (TESS) लाइट कर्व्स को वर्गीकृत करके और डेटासेट के परिवर्तनशीलता गुणों एवं उपकरण संबंधी आर्टिफैक्ट्स को अभिलक्षणित करके बनाया गया है।

मूल लेखक: Mykyta Kliapets, Pablo Huijse, Jeroen Audenaert, Andrew Tkachenko, Marek Skarka, Paul F. X. Gregory, Dominic M. Bowman, Simon J. Murphy, Poojan Agrawal, József M. Benkő, Hannah Brinkman, Nicholas Jann

प्रकाशित 2026-04-15

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mykyta Kliapets, Pablo Huijse, Jeroen Audenaert, Andrew Tkachenko, Marek Skarka, Paul F. X. Gregory, Dominic M. Bowman, Simon J. Murphy, Poojan Agrawal, József M. Benkő, Hannah Brinkman, Nicholas Jannsen, Yoshi Nike Emilia Eschen, Allison Eto, Dario J. Fritzewski, Alex Kemp, Viktor Khalack, Gang Li, Ricardo Ochoa-Armenta, Inês Rolo, Nena Scheller, Rose S. Stanley, Keegan Thomson-Paressant, Emese Plachy, Vincent Vanlaer, Mathijs Vanrespaille, Jasmine Vrancken, Haotian Wang, Yian Xia, George R. Ricker, Conny Aerts

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि ब्रह्मांड एक विशाल, हलचल भरे शहर की तरह है, और इसके भीतर के तारे करोड़ों लोगों की तरह हैं जो अपने दैनिक जीवन में व्यस्त हैं। कुछ लोग शांत और स्थिर हैं; कुछ नर्तक हैं, जो बेतहाशा घूम रहे हैं; कुछ जोड़े हैं जो हाथ पकड़कर एक-दूसरे की रोशनी को रोक रहे हैं; और कुछ गायक हैं, जो लय के साथ धड़क रहे हैं।

खगोलशास्त्री इन "सेलेब्रल नागरिकों" का अध्ययन करना चाहते हैं ताकि यह समझ सकें कि तारे कैसे जन्म लेते हैं, जीवित रहते हैं और मरते हैं। लेकिन एक समस्या है: सितारों को एक-एक करके देखने के लिए बहुत अधिक संख्या में तारे हैं, और टेलिस्कोप से हमें जो डेटा मिलता है वह अक्सर शोर (static) से भरा एक रेडियो सिग्नल जैसा अव्यवset होता है।

यह शोध पत्र एक नए, सुपर-स्मार्ट "छँटनी करने वाली मशीन" के बारे में है जिसे आकाश के एक विशिष्ट पड़ोस, जिसे LOPS2 कहा जाता है, में सितारों को व्यवस्थित करने के लिए बनाया गया है। LOPS2 एक भविष्य के टेलीस्कोप मिशन PLATO के लिए एक प्रमुख स्थान है।

यहाँ उनकी कहानी दी गई है कि उन्होंने इसे कैसे किया, जिसे सरल भाषा में समझाया गया है:

1. मिशन: बड़े शो की तैयारी

यूरोपीय अंतरिक्ष एजेंसी (European Space Agency) 2027 में एक नया टेलिस्कोप लॉन्च करने जा रही है जिसे PLATO कहा जाता है। इसका मुख्य काम अन्य सितारों के चारों ओर ग्रहों को खोजना है। लेकिन इसके लॉन्च होने से पहले, वैज्ञानिकों को यह जानने की आवश्यकता थी कि उस आकाश क्षेत्र (LOPS2) में किस प्रकार का "शोर" और "संगीत" मौजूद है जिसे PLATO सबसे पहले देखेगा।

वे PLATO के शुरू होने का इंतज़ार नहीं करना चाहते थे। इसके बजाय, उन्होंने एक मौजूदा टेलिस्कोप, TESS के डेटा का उपयोग किया, जिसने पहले से ही इसी पड़ोस की तस्वीरें ली हैं। TESS को एक सुरक्षा कैमरे की तरह समझें जिसने वर्षों से इस पड़ोस की रिकॉर्डिंग की है।

2. चुनौती: "स्टैटिक" (शोर) की समस्या

TESS फुटेज के साथ समस्या यह है कि यह केवल चलते हुए सितारों का मामला नहीं है। कभी-कभी कैमरा खुद गड़बड़ी करता है, या सैटेलाइट डगमगाता है, जिससे नकली सिग्नल पैदा होते हैं जो दिखाते हैं कि तारे चमक रहे हैं या घूम रहे हैं, जबकि वे वास्तव में नहीं होते। यह एक ऐसे कमरे में गायक को सुनने की कोशिश करने जैसा है जहाँ एयर कंडीशनर की तेज़ गूँज (hum) सुनाई दे रही हो।

वैज्ञानिकों के पास 38 मिलियन लाइट कर्व्स (ग्राफ जो दिखाते हैं कि एक तारा समय के साथ कितना चमकीला रहता है) को छाँटने का काम था। उन्हें असली सितारों को नकली संकेतों (इंस्ट्रूमेंट नॉइज़/उपकरण का शोर) से अलग करने और फिर असली सितारों को उनके प्रकार के अनुसार वर्गीकृत करने की आवश्यकता थी।

3. समाधान: AI की एक "डबल-चेक" टीम

38 मिलियन ग्राफों को देखने के लिए मानवों की एक टीम को नियुक्त करने के बजाय (जिसमें बहुत समय लगता), टीम ने दो अलग-अलग आर्टिफिशियल इंटेलिजेंस (AI) जासूस बनाए:

जासूस A (डीप न्यूरल नेटवर्क): यह AI एक दृश्य कलाकार (visual artist) की तरह है। यह लाइट कर्व के आकार को देखता है। इसे संख्याओं के पीछे के गणित को जानने की आवश्यकता नहीं है; यह बस पैटर्न को "महसूस" करता है। "हम्म, यह टेढ़ी-मेढ़ी रेखा एक घूमते हुए तारे जैसी दिखती है," यह सोचता है।
जासूस B (फीचर-बेस्ड ट्री): यह AI एक सख्त मुनीम (accountant) की तरह है। यह आकार को नहीं देखता; यह विशिष्ट मापों (शिखर कितना ऊँचा है? अंतराल कितना चौड़ा है?) को मापता है। यह तय करने के लिए नियमों की एक चेकलिस्ट का पालन करता है कि तारा क्या है।

जादुई ट्रिक:
इन दोनों जासूसों की अपनी ताकत और कमजोरियां हैं। कभी-कभी जासूस A किसी गड़बड़ी से भ्रमित हो जाता है, और कभी-कभी जासूस B एक सूक्ष्म पैटर्न को मिस कर देता है। इसलिए, वैज्ञानिकों ने उन्हें एक टीम के रूप में काम करने के लिए बनाया। उन्होंने उनकी राय का औसत निकाला। यदि दोनों सहमत हैं, तो वे बहुत आश्वस्त होते हैं। यदि वे असहमत हैं, तो उस तारे को मानव द्वारा दोबारा जांच के लिए चिह्नित किया जाता है।

4. परिणाम: एक विशाल स्टार कैटलॉग

संख्याओं को चलाने के बाद, उन्होंने 3.6 मिलियन संभावित परिवर्तनशील सितारों (candidate variable stars) वाला एक "सितारों का मेनू" (कैटलॉग) तैयार किया।

उन्होंने सितारों को 8 मुख्य "व्यक्तित्व प्रकारों" में वर्गीकृत किया:

स्पिनर्स (घूमने वाले): वे तारे जिनकी सतह पर धब्बे होते हैं जो उन्हें घूमने के दौरान डगमगाते हुए दिखाते हैं।
नर्तक (पल्सेटर्स): वे तारे जो सांस लेते हैं, यानी लयबद्ध तरीके से चमकते और धुंधले होते हैं। कुछ तेज़ सांस लेने वाले (उच्च द्रव्यमान) हैं, कुछ धीमे (कम द्रव्यमान)।
छिपे हुए जोड़े (एक्लिप्सिंग बाइनरी): दो तारे जो एक-दूसरे के इतने करीब चक्कर लगाते हैं कि वे एक-दूसरे की रोशनी को रोक देते हैं, जिससे चमक में गिरावट आती है।
गड़बड़ करने वाले (इंस्ट्रूमेंट): वे तारे जो दिखते हैं कि वे बदल रहे हैं, लेकिन वास्तव में यह केवल टेलिस्कोप की एक गलती है। (लगभग 72% डेटा इसी श्रेणी में आया! AI ने शोर को सफलतापूर्वक फ़िल्टर कर दिया।)

5. यह क्यों महत्वपूर्ण है

यह शोध पत्र खगोल विज्ञान समुदाय को एक पहले से छँटाई किया हुआ मानचित्र सौंपने जैसा है।

PLATO के लिए: जब नया टेलिस्कोप लॉन्च होगा, तो वैज्ञानिकों को यह अनुमान नहीं लगाना पड़ेगा कि किन सितारों का अध्ययन करना है। वे इस कैटलॉग को देख सकते हैं और कह सकते हैं, "आइए उस घूमते हुए तारे को देखें" या "आइए उस धड़कते हुए तारे का अध्ययन करें।"
सभी के लिए: भले ही आप PLATO का इंतज़ार न कर रहे हों, यह कैटलॉग आज ब्रह्मांड का अध्ययन करने के लिए किसी के भी उपयोग के लिए मुफ्त है।

सावधानी (द "फाइन प्रिंट")

लेखक अपनी सीमाओं के बारे में ईमानदार हैं।

"ब्लेंडिंग" (मिश्रण) की समस्या: TESS के "पिक्सेल" (कैमरा सेंसर) बड़े होते हैं। कभी-कभी, एक पिक्सेल में दो या तीन सितारों की रोशनी आपस में मिल जाती है। यह एक भीड़ भरे कमरे में एक व्यक्ति की आवाज़ सुनने की कोशिश करने जैसा है जहाँ हर कोई चिल्ला रहा हो। AI इस मिश्रण से भ्रमित हो सकता है।
"मानवीय स्पर्श": AI महान है, लेकिन यह पूर्ण नहीं है। वैज्ञानिकों को यह सुनिश्चित करने के लिए कि AI खुद को धोखा नहीं दे रहा है, कुछ उदाहरणों की मैन्युअल रूप से जांच करनी पड़ी। उन्होंने पाया कि कभी-कभी AI डेटा में एक गड़बड़ी को तारे की "धड़कन" समझ लेता है।

निचोड़

यह शोध पत्र आकाश के लिए एक विशाल "सफाई दल" (clean-up crew) की तरह है। शोर को छानने और सितारों को उनके व्यवहार के आधार पर छाँटने के लिए स्मार्ट AI का उपयोग करके, लेखकों ने दुनिया को एक शक्तिशाली नया उपकरण दिया है। यह 38 मिलियन बक्सों से भरे एक अस्त-व्यस्त अटारी को व्यवस्थित करने, उन्हें "घूमने वाले," "धड़कने वाले," "बाइनरी," और "शोर" लेबल वाले साफ ढेर में बांटने और चाबियाँ शेष वैज्ञानिक समुदाय को सौंपने जैसा है ताकि वे तुरंत ब्रह्मांड की खोज शुरू कर सकें।

यह शोध पत्र "LOPS2 में TESS लक्ष्यों का परिवर्तनशीलता वर्गीकरण, जो PLATO का पहला दीर्घकालिक पॉइंटिंग क्षेत्र है" का विस्तृत तकनीकी सारांश है।

1. समस्या विवरण

यूरोपीय अंतरिक्ष एजेंसी का PLATO मिशन, जो एक्सोप्लैनेट्स और उनके मेजबान तारों की विशेषताओं को निर्धारित करने के लिए जनवरी 2027 में लॉन्च होने वाला है, एक महत्वपूर्ण घटक के रूप में PLATO Complementary Science (PLATO-CS) कार्यक्रम के अंतर्गत गेस्ट ऑब्जर्वर (GO) प्रस्तावों के लिए 8% टेलीमेट्री बजट आवंटित करता है। PLATO-CS के वैज्ञानिक लाभ को अधिकतम करने के लिए, समुदाय को मिशन के पहले दीर्घकालिक अवलोकन क्षेत्र, LOPS2 के भीतर परिवर्तनशील तारों (पल्सेटर, रोटेटर, इक्लिप्सिंग बाइनरी आदि) का एक पूर्व-मौजूद, उच्च-गुणवत्ता वाला कैटलॉग चाहिए।

यद्यपि ट्रांसिटिंग एक्सोप्लैनेट सर्ववे सैटेलाइट (TESS) ने पहले ही पूरे LOPS2 क्षेत्र का अवलोकन किया है, लेकिन डेटा की विशाल मात्रा (लाखों लाइट कर्व्स) के कारण परिवर्तनशील तारों (पल्सेटर, रोटेटर, इक्लिप्सिंग बाइनरी आदि) की पहचान करने और इंस्ट्रुमेंटल आर्टिफैक्ट्स को फ़िल्टर करने के लिए एक स्वचालित, सुदृढ़ और समरूप वर्गीकरण ढांचे की आवश्यकता है। मौजूदा कैटलॉग या तो सीमित दायरे के थे या उनमें LOPS2 की विविध तारकीय आबादी के लिए आवश्यक विशिष्ट प्रशिक्षण डेटा की कमी थी।

2. कार्यप्रणाली

लेखकों ने TESS-Gaia Light Curve (TGLC) पाइपलाइन से लगभग 6 मिलियन अद्वितीय स्रोतों को कवर करने वाले 38 मिलियन कैलिब्रेटेड अपर्चर लाइट कर्व्स को वर्गीकृत करने के लिए एक मशीन लर्निंग पाइपलाइन विकसित की।

A. डेटा प्रीप्रोसेसिंग (Data Preprocessing)

स्रोत: TESS के नॉमिनल (सेक्टर 1–13) और एक्सटेंडेड (सेक्टर 27–39) मिशनों से TGLC लाइट कर्व्स (G $\lesssim$ 17)।
सफाई (Cleaning): TESS और TGLC क्वालिटी फ्लैग्स लागू किए गए, आउटलेयर्स को क्लिप किया गया (5 $\sigma$ अपर, 10 $\sigma$ लोअर ताकि इक्लिप्स सुरक्षित रहें), और लंबे समय के सिस्टमैटिक्स को हटाने के लिए गॉसियन-स्मूथ ट्रेंड्स (100 $\sigma$ चौड़ाई) को घटाया गया।
कैडेंस हैंडलिंग (Cadence Handling): एक्सटेंडेड मिशन डेटा (10-मिनट कैडेंस) को नॉमिनल मिशन और प्रशिक्षण सेट से मेल खाने के लिए 30-मिनट कैडेंस में डाउनसैंपल किया गया, जिससे हाई-फ्रीक्वेंसी जानकारी (p-mode पल्सेटर के लिए) के संभावित नुकसान को स्वीकार किया गया।

B. प्रशिक्षण सेट निर्माण (Training Set Construction)

आधार: ग्रेगरी एट अल. (2026) से अनुकूलित, लेकिन TGLC लाइट कर्व्स प्राप्त करने के लिए Gaia DR3 के साथ क्रॉस-मैच किया गया।
वेटिंग (Vetting): गलत लेबल वाले डेटा और इंस्ट्रुमेंटल आर्टिफैक्ट्स को हटाने के लिए तीन-चरणीय प्रक्रिया (सांख्यिकीय, फ्रीक्वेंसी सिस्टमैटिक, और विजुअल इंस्पेक्शन) लागू की गई।
वर्ग (Classes): प्रशिक्षण सेट में 8 वर्ग शामिल हैं:
1. APERIODIC: दीर्घ-अवधि परिवर्तनशील (जैसे Mira)।
2. CONTACT_ROT: कॉन्टैक्ट बाइनरीज और रोटेशनल वेरिएबल्स (जैसे Ap/Bp तारे)।
3. DSCT_BCEP: इंटरमीडिएट और हाई-मास p-mode पल्सेटर ( $\delta$ Sct, $\beta$ Cep)।
4. ECLIPSE: इक्लिप्सिंग बाइनरीज/ट्रांजिट।
5. GDOR_SPB: इंटरमीडिएट-मास g-mode पल्सेटर ( $\gamma$ Dor, SPB)।
6. RRLYR_CEPH: उच्च-आयाम रेडियल पल्सेटर (RR Lyrae, Cepheids)।
7. SOLARLIKE: स्टोकेस्टिक/रोटेशनल वेरिएबिलिटी जिसमें p-mode एक्सेस हो (सोलर-लाइक ऑसिलेटर्स)।
8. INSTRUMENT: पाइपलाइन/इंस्ट्रुमेंटल नॉइज़ या गैर-परिवर्तनशील तारों द्वारा डोमिनेटेड।
आकार: 26,521 लाइट कर्व्स (19,358 नॉमिनल, 7,163 एक्सटेंडेड)।

C. वर्गीकरण ढांचा (Classification Framework - Ensemble Approach)

दो अलग-अलग मशीन लर्निंग मॉडल प्रशिक्षित और संयोजित किए गए:

डीप न्यूरल नेटवर्क (ASTRAFier): एक डीप लर्निंग आर्किटेक्चर जो बाइडायरेक्शनल LSTMs, CNNs और ट्रांसफॉर्मर्स का उपयोग करता है ताकि लाइट कर्व की आकृति (morphology) और लॉन्ग/शॉर्ट-टर्म ट्रेंड्स को कैप्चर किया जा सके। यह सीधे रॉ लाइट कर्व्स को प्रोसेस करता है।
फीचर-बेस्ड ग्रेडिएंट बूस्टेड ट्रीज़ (XGBoost): एक फीचर-इंजीनियर्ड मॉडल जो टाइम-डोमेन (फ्लक्स डिस्ट्रीब्यूशन, ऑटोकोरिलेशन) और फ्रीक्वेंसी-डोमेन (पीरियडोग्राम पीक्स, एंट्रॉपी) गुणों से प्राप्त 37 फीचर्स का उपयोग करता है।

एन्सेम्बल रणनीति (Ensemble Strategy):
दोनों मॉडलों के भविष्यवाणियों (स्यूडो-प्रोबेबिलिटीज) को औसत निकाला गया। यह दृष्टिकोण न्यूरल नेटवर्क की रूपात्मक संवेदनशीलता (morphological sensitivity) और XGBoost के स्पष्ट फीचर भेदभाव का लाभ उठाता है ताकि वेरिएंस को कम किया जा सके और मजबूती (robustness) बढ़ाई जा सके।

3. मुख्य योगदान

प्रथम LOPS2 परिवर्तनशीलता कैटलॉग: LOPS2 के प्राथमिक PLATO क्षेत्र में 6 मिलियन अद्वितीय स्रोतों के लिए परिवर्तनशीलता वर्गीकरण वाला वर्ज़न 1 का ओपन-सोर्स कैटलॉग जारी किया गया।
हाइब्रिड ML पाइपलाइन: डीप लर्निंग और फीचर-बेस्ड बूस्टिंग के संयोजन का प्रदर्शन, जो व्यक्तिगत मॉडलों की तुलना में बेहतर प्रदर्शन करता है।
वैल्यू-एडेड डेटा: कैटलॉग में न केवल क्लास लेबल शामिल हैं, बल्कि व्युत्पन्न पैरामीटर (प्रमुख फ्रीक्वेंसी $f_1$ , आयाम $A_1$ , प्रभावी तापमान $T_{eff}$ , चमक $L$ ) और क्लासिफायर सहमति के फ्लैग्स भी शामिल हैं।
इंस्ट्रुमेंटल आर्टिफैक्ट लक्षण वर्णन: TESS/TGLC सिस्टमैटिक्स का विस्तृत विश्लेषण, विशेष रूप से प्रमुख इंस्ट्रुमेंटल फ्रीक्वेंसी (जैसे 0.9, 0.92, 0.93, 1 $d^{-1}$ पर) और उनके वर्गीकरण पर प्रभाव की पहचान की गई।

4. परिणाम

वर्गीकरण सांख्यिकी:
- लगभग 72% लाइट कर्व्स को इंस्ट्रुमेंटल/पाइपलाइन सिग्नल द्वारा डोमिनेटेड (INSTRUMENT क्लास) के रूप में वर्गीकृत किया गया।
- शेष 28% 3.6 मिलियन कैंडिडेट परिवर्तनशील तारों का प्रतिनिधित्व करते हैं।
- एन्सेम्बल ने 0.925 का मैक्रो F1-स्कोर और 0.930 का वेटेड F1-स्कोर प्राप्त किया, जो स्टैंडअलोन न्यूरल नेटवर्क और XGBoost दोनों मॉडलों से बेहतर है।
वर्ग वार प्रदर्शन:
- उच्च शुद्धता (High Purity): ECLIPSE और RRLYR_CEPH जैसे वर्गों ने बहुत उच्च प्रिसिजन और रिकॉल दिखाया।
- चुनौतियां: APER PERIODIC, CONTACT_ROT, और SOLARLIKE को पहचानना सबसे कठिन था, क्योंकि वे अक्सर g-mode पल्सेटर या इंस्ट्रुमेंटल नॉइज़ के साथ भ्रमित हो जाते हैं।
- हाइब्रिड डिटेक्शन: संभाव्य आउटपुट (probabilistic output) ने संभावित हाइब्रिड पल्सेटरों (जैसे कि ऐसे तारे जिनमें p- और g- दोनों मोड हों) को कई वर्गों को महत्वपूर्ण स्कोर असाइन करके सफलतापूर्वक फ्लैग किया।
खगोल भौतिक गुण (Astrophysical Properties):
- पल्सेटर: कैंडिडेट p-mode और g-mode पल्सेटर अपेक्षित अस्थिरता पट्टियों (instability strips) में पाए गए।
- घूर्णन (Rotation): CONTACT_ROT और GDOR_SPB कैंडिडेट के विश्लेषण ने शॉर्ट-पीरियड रोटेटर्स के प्रति प्राथमिकता का खुलासा किया और g-mode पल्सेटरों के लिए निकट-कोर रोटेशन फ्रीक्वेंसी का अनुमान प्रदान किया।
- संदूषण (Contamination): अध्ययन ने ब्लेंडिंग (TESS के बड़े पिक्सेल स्केल के कारण) के प्रभाव को रेखांकित किया, विशेष रूप से RR Lyrae सितारों के लिए, जहाँ मौलिक पैरामीटर अक्सर वर्गीकरण के विपरीत होते हैं।

5. महत्व

PLATO के लिए तैयारी: यह कैटलॉग PLATO मिशन के लिए एक महत्वपूर्ण "टारगेट लिस्ट" के रूप में कार्य करता है, जो समुदाय के लिए गेस्ट ऑब्जर्वर प्रस्तावों के लिए लक्ष्य चुनने में लगने वाले समय और प्रयास को काफी कम कर देता है।
स्केलेबिलिटी: पद्धति यह प्रदर्शित करती है कि स्वचालित पाइपलाइन उच्च सटीकता के साथ करोड़ों लाइट कर्व्स को संभाल सकती है, जो भविष्य के ऑल-स्काई परिवर्तनशीलता सर्वेक्षणों के लिए एक मिसाल कायम करती है।
वैज्ञानिक उपयोगिता: PLATO के अलावा, कैटलॉग TESS परिवर्तनशीलता अध्ययन, एस्टरोसेइस्मोलॉजी और LOPS2 क्षेत्र में तारकीय आबादी के अध्ययन के लिए एक समृद्ध डेटासेट प्रदान करता है।
ओपन साइंस: प्रशिक्षण सेट, मॉडल और अंतिम कैटलॉग को Zenodo पर जारी करना पुनरुत्पादकता (reproducibility) सुनिश्चित करता है और समुदाय को रिफाइन करने की अनुमति देता है जब नया डेटा (जैसे PLATO से) उपलब्ध हो।

सीमाएं और भविष्य का कार्य
लेखक नोट करते हैं कि यह वर्गीकरण लाइट कर्व्स का है, न कि अनिवार्य रूप से वस्तुओं (objects) का, जिसका अर्थ है कि एक ही तारा अलग-अलग सेक्टरों में डेटा गुणवत्ता भिन्नताओं या ब्लेंडिंग के कारण अलग-अलग लेबल प्राप्त कर सकता है। भविष्य के सुधारों में शामिल हैं:

प्रशिक्षण सेट को अधिक विविध सेक्टरों और विशिष्ट वर्गों (जैसे चुंबकीय पल्सेटर, हार्टबीट स्टार्स) के साथ समृद्ध करना।
मल्टीमॉडल डेटा (Gaia, SDSD-V) को फीचर स्पेस में एकीकृत करना।
ऐसे फाउंडेशनल मॉडल विकसित करना जो इंस्ट्रुमेंटल सिग्नल को वास्तविक खगोलीय परिवर्तनशीलता से बेहतर तरीके से अलग कर सकें।
फ्रीक्वेंसी रेजोल्यूशन में सुधार करने के लिए कई TESS सेक्टरों के लाइट कर्व्स को जोड़ना (stitching)।