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

Probleemstelling

De NASA's Transiting Exoplanet Survey Satellite (TESS) heeft begin 2026 meer dan 7.800 kandidaat-exoplaneten geïdentificeerd, maar slechts 720 hiervan zijn bevestigd. Dit creëert een "validatie-flesnek": het traditionele proces van handelijke inspectie van Data Validation-rapporten kan niet schalen naar deze enorme hoeveelheid data. Bestaande machine learning-oplossingen (zoals AstroNet, ExoMiner en ExoMiner++) behandelen lichtkrommen en sterparameters vaak gescheiden of gebruiken geen geavanceerde fusie-architecturen. Er is behoefte aan een schaalbaar, geautomatiseerd classificatiesysteem dat zowel de tijdsreeks-data (lichtkrommen) als de contextuele sterparameters gezamenlijk leert verwerken.

Methodologie: Het ExoNet-architectuur

ExoNet is een multimodaal deep learning-framework dat gebruikmaakt van een late-fusion architectuur met drie inputstromen (trimodaal). Het model is getraind op gelabelde Kepler-data en toegepast op TESS-data.

1. Data Preprocessing:

   • Lichtkrommen: Voor elke kandidaat worden twee weergaven gegenereerd:
     • Global View: De volledige omloopbaan (2001 bins), inclusief secundaire eclipsen en asymmetrieën.
     • Local View: Een ingezoomde weergave rondom de transitie (2001 bins), die de vorm van de instap en uitstap (ingress-egress) behoudt.
   • Sterparameters: Een vector van 8 scalaire waarden per doelwit (bijv. periode, transitieduur, diepte, straal, evenwichtstemperatuur, oppervlaktetemperatuur, zwaartekracht, metaalgehalte).

2. Architectuur:

   • Encoder: Twee aparte 1D Convolutional Neural Networks (CNN's) verwerken de globale en lokale lichtkrommen. Elk bestaat uit vijf residuale Conv1D-blokken met filtergroottes van 16 tot 256, gevolgd door pooling.
   • Multi-Head Attention (MHA): Een 8-koppige attention-laag wordt toegepast op de tijdsas van de CNN-feature maps. Dit stelt het model in staat om belangrijke transitiegebieden (zoals de randen van de transitie) te versterken en systematische ruis buiten de transitie te onderdrukken.
   • Ster-Encoder: Een Multi-Layer Perceptron (MLP) verwerkt de 8 sterparameters.
   • Late Fusion: De embeddings van de drie stromen (globaal, lokaal, ster) worden samengevoegd (concatenatie) tot een vector van 640 dimensies. Deze wordt verwerkt door een residuale MLP met een "shortcut" verbinding, gevolgd door een classificatie-head voor de binair voorspelling (planeet vs. valse positief).

3. Training:

   • Getraind op een 70/15/15 split van de Kepler-data.
   • Gebruik van gemengde precisie (FP16) op een NVIDIA L4 GPU, wat training in minder dan twee uur mogelijk maakt.
   • Data-augmentatie omvat ruis, faseverschuivingen en schaalvariaties.

Belangrijkste Bijdragen

1. Trimodaal Architectuur: De eerste toepassing van een combinatie van 1D CNN, Multi-Head Attention en residuale late-fusion voor transitie-veiling, waarbij globale en lokale lichtkrommen en sterparameters gezamenlijk worden verwerkt.
2. Ablatie-onderzoek: Het paper toont aan dat elke toegevoegde modality (sterparameters, lokale weergave, attention) de prestaties (AUC) significant verbetert.
3. TESS Catalogus: Identificatie van 35 hoog-vertrouwens kandidaten uit 200 onbevestigde TESS-objecten, inclusief een lijst van 19 kandidaten in de bewoonbare zone.
4. Open Source: Volledige openbaarmaking van de code en de kandidaten-catalogus, wat reproduceerbaarheid garandeert.
5. Top Kandidaat: De ontdekking van TOI-7949.87, een planeet met een straal van 0,97 aardstralen rond een zon-achtige ster, met een vertrouwen van 99,64%.

Resultaten

• Prestaties op Kepler-testset:
  • Validatie AUC: 0,8566
  • Test AUC: 0,8112
  • Accuracy: 72,86%
  • Ablatie toont aan dat het volledige trimodale model (0,8112) aanzienlijk beter presteert dan alleen globale CNN (0,749) of alleen sterparameters (0,678). De Multi-Head Attention levert een extra +0,013 AUC op.
• Toepassing op TESS:
  • Van 200 onbevestigde kandidaten werden 35 geïdentificeerd met een waarschijnlijkheid van ≥70%.
  • 27 van deze kandidaten hebben een vertrouwen van ≥85%.
  • 19 kandidaten vallen binnen de temperatuurbereik van de bewoonbare zone (200–400 K).
  • TOI-7949.87 steekt eruit als de meest veelbelovende kandidaat: een rotsachtige planeet (0,97 $R_\oplus$) rond een zon-achtige ster ($T_{eff}$ = 5080 K) met een periode van 15 dagen.

Betekenis en Toekomstperspectief

ExoNet biedt een krachtig, reproduceerbaar alternatief voor gesloten, proprietair pipelines zoals die van NASA's SPOC. Het bewijst dat multimodale deep learning, zelfs zonder toegang tot alle interne diagnostische data van de ruimtevaartuigen, zeer effectief kan zijn in het filteren van valse positieven en het prioriteren van kandidaten voor follow-up observaties (zoals radiale snelheidsmetingen).

De studie benadrukt dat het combineren van fotometrische data met sterfysische context essentieel is om achtergrond-eclipsende binaries (een veelvoorkomende oorzaak van valse positieven) te onderscheiden van echte planeten. Hoewel het model nog beperkingen kent (zoals het ontbreken van TESS-specifiek transfer learning en beperkte data voor sommige lichtkrommen), vormt het een solide basis voor toekomstig werk, waaronder het toevoegen van centroid- en odd-even analyse en het indienen van de beste kandidaten bij de NASA ExoFOP voor gemeenschapsvalidatie.