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

Titolo: ExoNet: Apprendimento Profondo Multimodale per l'Identificazione di Candidati Esopianeti TESS tramite Curve di Luce Piegate in Fase, Parametri Stellari e Fusione tramite Attenzione Multi-Testa

1. Il Problema

Il satellite TESS (Transiting Exoplanet Survey Satellite) della NASA ha accumulato oltre 7.800 candidati esopianeti all'inizio del 2026, ma meno di 720 sono stati confermati. Questo divario crea un collo di bottiglia nella validazione che i metodi tradizionali (ispezione manuale dei report di validazione dei dati) non possono gestire su larga scala. Sebbene esistano precedenti approcci di machine learning (come AstroNet, ExoMiner), la maggior parte tratta le curve di luce e i parametri stellari in modo separato o non utilizza architetture multimodali fuse per apprendere congiuntamente da entrambi i tipi di dati.

2. Metodologia: L'Architettura ExoNet

ExoNet è un framework di apprendimento profondo multimodale progettato per la verifica (vetting) dei candidati. L'architettura si basa su una fusione tardiva (late-fusion) che integra tre flussi di dati distinti:

• Input Multimodali:

  1. Vista Globale della Curva di Luce: Una curva di luce piegata in fase (phase-folded) che copre l'intera orbita (2001 bin), catturando eclissi secondarie e asimmetrie pari-dispari.
  2. Vista Locale della Curva di Luce: Una vista ingrandita del transito (2001 bin) che preserva la forma dell'ingresso e dell'uscita (ingress-egress).
  3. Parametri Stellari: Un vettore di 8 caratteristiche scalari (periodo, durata, profondità, raggio planetario, temperatura di equilibrio, temperatura efficace, gravità superficiale, metallicità).

• Componenti del Modello:

  • Encoder CNN 1D: Due encoder CNN 1D separati (uno per la vista globale e uno per quella locale) con blocchi residui e pooling a stride 2, che riducono la sequenza temporale a 62 step con una dimensione di 256.
  • Attenzione Multi-Testa (MHA): Uno strato di Multi-Head Attention (8 teste) applicato sulle mappe delle caratteristiche temporali della CNN. Questo meccanismo impara a pesare dinamicamente le regioni di interesse (come l'ingresso/uscita del transito) e a sopprimere il rumore sistematico fuori transito.
  • MLP Stellare: Un percettrone multistrato (MLP) che elabora i 8 parametri stellari in un embedding di 128 dimensioni.
  • Fusione Tardiva Residuale: Le rappresentazioni delle tre modalità (256 + 256 + 128 = 640 dimensioni) vengono concatenate e passate attraverso un MLP di fusione con un collegamento residuo (shortcut) prima di raggiungere il classificatore binario finale.

• Addestramento:

  • Il modello è stato addestrato su dati etichettati di Kepler (NASA Exoplanet Archive).
  • Utilizza ottimizzazione AdamW, OneCycleLR e precisione mista (FP16) su GPU NVIDIA L4.
  • Il tempo di addestramento è inferiore a 2 ore.

3. Contributi Chiave

1. Architettura Trimodale Innovativa: Prima applicazione di una fusione tardiva residuale che combina viste globali/locali della curva di luce e parametri stellari in un'unica rete.
2. Integrazione di Attenzione Multi-Testa: Uso di MHA sulle mappe delle caratteristiche CNN per modellare il contesto temporale, superando le semplici tecniche di pooling medio.
3. Catalogo TESS Aperto: Identificazione e classificazione di 200 candidati TESS non confermati, con un elenco pubblico di segnali ad alta confidenza.
4. Scoperta di TOI-7949.87: Identificazione di un candidato promettente con raggio vicino a quello terrestre (0.97 $R_\oplus$) attorno a una stella simile al Sole, con una probabilità del 99,64%.
5. Riproducibilità: Codice e catalogo rilasciati open-source, addestrati esclusivamente su dati pubblici.

4. Risultati

• Prestazioni su Kepler (Set di Test):

  • AUC di Validazione: 0.8566
  • AUC di Test: 0.8112
  • Accuratezza: 72.86%
  • Analisi di Ablazione: L'aggiunta di ogni modalità migliora le prestazioni. La sola CNN globale ottiene un AUC di 0.749, la CNN duale (globale+locale) sale a 0.793, e l'aggiunta dei parametri stellari e dell'attenzione porta ExoNet completo a 0.8112. L'attenzione multi-testa contribuisce con circa +0.013 di AUC rispetto al pooling medio.

• Applicazione ai Candidati TESS:

  • Su 200 candidati TESS non confermati, ExoNet ha identificato 35 segnali ad alta confidenza (probabilità $\ge$ 70%).
  • Di questi, 27 superano l'85% di confidenza.
  • 19 candidati rientrano nella zona abitabile (temperatura di equilibrio 200–400 K).
  • Candidato Principale (TOI-7949.87): Raggio 0.97 $R_\oplus$, periodo 15 giorni, stella ospite simile al Sole ($T_{eff}$ 5080 K), probabilità 99.64%.

5. Significato e Impatto

ExoNet dimostra che l'integrazione multimodale di dati fotometrici (curve di luce) e parametri fisici stellari, potenziata da meccanismi di attenzione, può migliorare significativamente l'identificazione degli esopianeti rispetto ai metodi unimodali.

• Efficienza: Il modello è estremamente veloce da addestrare (<2 ore) e può essere eseguito su una singola GPU, rendendolo accessibile alla comunità scientifica.
• Priorità per il Follow-up: Il modello fornisce una lista classificata di candidati, in particolare quelli nella zona abitabile, guidando le osservazioni di follow-up (es. con spettrografi come ESPRESSO o MAROON-X) verso i target più promettenti.
• Limiti e Futuro: Il modello non include ancora dati di dominio specifico TESS (addestrato su Kepler) e non utilizza dati di centroidi o eclissi secondarie, ma il framework è progettato per essere esteso. Il lavoro apre la strada a pipeline di validazione automatizzate, scalabili e completamente open-source per gestire il flusso di dati di TESS e future missioni.