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

Resumo Técnico: ExoNet

1. O Problema

A missão TESS (Transiting Exoplanet Survey Satellite) da NASA acumulou mais de 7.800 candidatos a exoplanetas até o início de 2026, mas menos de 720 foram confirmados. Existe um gargalo crítico na validação: o processo tradicional de "vetting" (triagem) depende da inspeção manual de relatórios de validação de dados, o que não escala para lidar com milhares de candidatos não confirmados. Embora existam soluções anteriores de aprendizado de máquina (como AstroNet e ExoMiner), a maioria trata curvas de luz e parâmetros estelares de forma separada, sem uma arquitetura multimodal unificada que aprenda conjuntamente de ambas as fontes.

2. Metodologia: A Arquitetura ExoNet

O ExoNet é um framework de aprendizado profundo multimodal projetado para a triagem de candidatos a exoplanetas do TESS. A arquitetura utiliza uma fusão tardia (late-fusion) que integra três modalidades distintas:

• Entradas Multimodais:

  1. Visão Global da Curva de Luz: Uma visão de fase dobrada (phase-folded) de 2001 bins que captura a órbita completa, incluindo eclipses secundários e assimetrias ímpares/pares.
  2. Visão Local da Curva de Luz: Um recorte focado no trânsito (ingress/egress) com 2001 bins, preservando a forma do evento de trânsito.
  3. Parâmetros Estelares: Um vetor de 8 características escalares (período, duração, profundidade, raio do planeta, temperatura de equilíbrio, temperatura efetiva, gravidade superficial e metalicidade).

• Estrutura da Rede Neural:

  • Codificadores 1D CNN: Duas redes convolucionais 1D separadas (com pesos independentes) processam as visões global e local. Cada uma possui 5 blocos residuais com filtros crescentes (16 a 256) e pooling para reduzir a sequência temporal.
  • Atenção Multi-Cabeça (MHA): Após a CNN, uma camada de Atenção Multi-Cabeça (8 cabeças) é aplicada sobre os mapas de características temporais. Isso permite que o modelo aprenda a dar peso aos períodos críticos (como o ingress/egress) e a ignorar ruídos fora do trânsito, simulando o comportamento de um especialista humano.
  • MLP Estelar: Uma rede de percepção multicamada (MLP) processa os parâmetros estelares.
  • Fusão Residual Tardia: As representações das três modalidades são concatenadas (640 dimensões) e passadas por um cabeçote de fusão residual (MLP com shortcut) antes de um classificador binário final.

• Treinamento:

  • Treinado em dados rotulados do catálogo Kepler (NASA Exoplanet Archive).
  • Utiliza mixed-precision (FP16) em GPU NVIDIA L4.
  • Tempo de treinamento: < 2 horas.
  • Técnicas de aumento de dados incluem ruído gaussiano, deslocamento de fase e escala de fluxo.

3. Principais Contribuições

1. Arquitetura Trimodal Inovadora: Primeiro trabalho a combinar CNNs 1D, Atenção Multi-Cabeça e fusão residual de parâmetros estelares para validação de trânsito.
2. Ablação de Modalidades: Demonstração empírica de que cada modalidade adicionada (Global + Local + Estelar) melhora mensuravelmente o desempenho (AUC).
3. Catálogo TESS Aberto: Identificação e classificação de 35 candidatos de alta confiança a partir de 200 candidatos não confirmados do TESS.
4. Descoberta de TOI-7949.87: Identificação de um candidato notável com raio próximo ao da Terra (0,97 R⊕) orbitando uma estrela semelhante ao Sol, com probabilidade de 99,64%.
5. Reprodutibilidade Total: Código e catálogo de candidatos são de código aberto, utilizando apenas dados públicos da NASA.

4. Resultados

• Desempenho no Conjunto de Teste Kepler:
  • AUC de Validação: 0,8566
  • AUC de Teste: 0,8112
  • Acurácia: 72,86%
  • Comparação: O modelo completo superou a CNN global isolada em +0,063 pontos de AUC. A adição da atenção multi-cabeça contribuiu com aproximadamente +0,013 de AUC.
• Aplicação no TESS (200 Candidatos):
  • 35 candidatos identificados com alta confiança (≥70%).
  • 27 candidatos com confiança muito alta (≥85%).
  • 19 candidatos situados na Zona Habitável (temperatura de equilíbrio entre 200–400 K).
• Destaque (TOI-7949.87):
  • Probabilidade: 99,64%.
  • Raio: 0,97 R⊕ (região rochosa).
  • Hospedeiro: Estrela tipo-Sol (Teff = 5080 K).
  • Período: 15 dias.

5. Significado e Conclusão

O ExoNet preenche uma lacuna crítica na astronomia de exoplanetas ao fornecer uma ferramenta escalável, automatizada e de baixo custo computacional para triar candidatos do TESS. Diferente de pipelines proprietários complexos (como o SPOC da NASA), o ExoNet é totalmente reprodutível e treinável em uma única GPU.

O modelo demonstra que a fusão multimodal é superior a abordagens unimodais, pois os parâmetros estelares ajudam a rejeitar falsos positivos (como binárias eclipsantes de fundo) que possuem sinais fotométricos transitórios, mas inconsistências físicas nos parâmetros da estrela. A identificação de candidatos na zona habitável, como TOI-7949.87, oferece alvos prioritários para observações de acompanhamento (ex: espectroscopia de velocidade radial com ESPRESSO ou MAROON-X) e futuras caracterizações atmosféricas com o telescópio JWST.

O trabalho estabelece um novo padrão para pipelines de triagem de exoplanetas baseados em aprendizado profundo, priorizando a transparência e o acesso aberto à comunidade científica.