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

Resumo Técnico: ExoVeil – Detecção de Exoplanetas através do Comportamento Estelar Aprendido

1. O Problema
Os atuais sistemas de detecção de trânsitos baseados em aprendizado de máquina (ML) (ex: ExoMiner, AstroNet, RAVEN) operam como classificadores que exigem curvas de luz com fase dobrada (phase-folded) e um período orbital conhecido. Isso cria um ponto cego estrutural para planetas de longo período, que podem transitar apenas uma ou duas vezes durante uma janela de observação (ex: um setor de 27 dias do TESS ou uma observação de dois anos do PLATO). Como esses eventos raros não podem ser dobrados em fase, os classificadores existentes não podem tentar a detecção. Além disso, os alvos cientificamente mais valiosos — análogos da Terra orbitando estrelas do tipo Sol — caem precisamente neste regime de "trânsito único". Separar sinais planetários reais de falsos positivos (binárias eclipsantes, artefatos instrumentais, variabilidade estelar) continua sendo um desafio crítico, particularmente quando os sinais são rasos (10–1000 ppm) e enterrados no ruído.

2. Metodologia
O artigo apresenta o ExoVeil, um sistema que reformula a detecção de trânsitos de classificação para detecção de anomalias via predição. Em vez de classificar curvas de luz dobradas, o ExoVeil aprende o comportamento esperado do brilho de uma estrela e sinaliza desvios. O framework consiste em quatro estágios:

• Modelo de Mundo (Predição): Um codificador Transformer causal (6 camadas, 8 cabeças, ~3,2 milhões de parâmetros) é treinado em séries temporais de fluxo bruto usando aprendizado autossupervisionado com máscara de trânsito. Para estrelas que abrigam planetas no conjunto de treinamento, regiões de trânsito conhecidas são mascaradas e substituídas por linhas de base interpoladas, garantindo que o modelo nunca "veja" um trânsito durante o treinamento. O modelo prevê o fluxo esperado ($\hat{y}_t$) e a log-variância ($\log \sigma^2_t$) para o próximo passo temporal com base no histórico, utilizando codificação de tempo contínuo para lidar com cadência irregular e um módulo de detrendização aprendido para remover a variabilidade estelar de baixa frequência.
• Detecção por Filtro Casado (Matched-Filter): O sistema calcula os resíduos ($r_t = y_t - \hat{y}_t$). O detector de filtro casado convolui esses resíduos com templates de caixa de média zero de durações variadas (3–25 pontos de dados). O detector utiliza a variância prevista pelo modelo para ponderação inversa, aumentando a sensibilidade em regiões fotometricamente quietas e reduzindo gatilhos falsos em regiões ruidosas.
• Classificador Aprendido: A pontuação manual inicial falhou (AUC 0.36) porque binárias eclipsantes produzem resíduos mais profundos que planetas. Consequentemente, um classificador XGBoost foi treinado em 21 características derivadas da saída do modelo de mundo (ex: SNR de resíduo dobrado, profundidade normalizada pela variância, razão de incerteza epistêmica) e parâmetros estelares. Este estágio separa planetas de falsos positivos.
• Predição Conformal e Incerteza: O sistema aplica predição conformal dividida ($\alpha=0,05$) para fornecer rankings com cobertura garantida. A incerteza é decomposta em componentes aléatricos (variância média prevista) e epistêmicos (variância de MC Dropout através de 30 passagens), categorizando candidatos como confiantes, limitados por dados, incertos para o modelo ou ambíguos.

3. Principais Contribuições

• Capacidade de Trânsito Único: O ExoVeil é o primeiro sistema de ML capaz de detectar planetas que transitam apenas uma vez, operando diretamente no fluxo bruto sem exigir um período conhecido ou dobra de fase.
• Transferência Zero-Shot entre Missões: O sistema demonstra a capacidade de generalizar entre missões. Um modelo treinado exclusivamente em dados Kepler detectou com sucesso trânsitos em dados do TESS (e vice-versa em simulação) sem necessidade de retreinamento ou ajuste fino (fine-tuning).
• Predição Conformal na Verificação de Trânsitos: Este trabalho fornece a primeira aplicação de predição conformal à detecção de trânsitos, oferecendo garantias de cobertura empírica formal (95,9%) e incerteza decomposta para o ranking de candidatos.
• Lançamento Open-Source: O sistema é lançado como um pacote Python (pip install exoveil) com pesos pré-treinados, um catálogo de candidatos e um notebook de demonstração.

4. Resultados

• Busca Cega (Kepler): Aplicado a 3.737 estrelas de Kepler, o ExoVeil identificou 179 novos sinais do tipo trânsito não presentes no catálogo DR25 TCE. Isso inclui 46 candidatos de monotânsito de Nível 1 (eventos únicos com SNR > 10). O candidato mais forte, KIC 11706231, mostra um mergulho de 231 ppm com um SNR de 31,2 em uma anã fria.
• Injeção-Recuperação: Em testes de injeção-recuperação de trânsito único, o ExoVeil recuperou 32% dos trânsitos com profundidade de 1000 ppm (corrigido por FP). Por construção, sistemas baseados em classificação pontuam 0% nesta tarefa.
• Validação Cruzada entre Missões: Quando aplicado a 47 planetas confirmados do TESS no campo PLATO LOPS2 sem retreinamento, o ExoVe via 100% de recuperação, incluindo planetas de longo período (ex: TOI-4562 b, P=225d) e trânsitos rasos (ex: GJ 238 b, 160 ppm).
• Simulação de Cadência do PLATO: Na cadência de 25 segundos do PLATO (simulada com ruído de 50 ppm), a sensibilidade de detecção atingiu 100 ppm, aproximando-se do regime de análogos da Terra (84 ppm).
• Desempenho de Classificação: No conjunto de teste Kepler DR25, o classificador XGBoost alcançou um AUC de 0,938, utilizando apenas séries temporais de fluxo (comparado ao 0,98 do ExoMiner, que utiliza múltiplos inputs de diagnóstico).

5. Significância e Alegações
O artigo afirma que o ExoVeil aborda uma limitação fundamental na detecção atual de exoplanetas: a incapacidade de encontrar planetas de longo período que não exibem periodicidade dentro da janela de observação. Ao mudar de classificação para predição, o sistema aprende a física estelar "normal", fazendo com que os trânsitos planetários apareçam como anomalias negativas sistemáticas.

Os autores enfatizam que, embora o ExoVeil não substitua os sistemas de classificação existentes, ele estende a detecção para regimes que eles não conseguem alcançar. A capacidade de transferência zero-shot sugere que o modelo aprendeu a física estelar genuína, em vez de artefatos específicos da missão. A integração da predição conformal oferece um novo padrão para a verificação de candidatos, permitindo que observadores priorizem alvos com base em confiança calibrada e incerteza decomposta, potencialmente reduzindo o custo do acompanhamento (follow-up) terrestre. O artigo conclui que, com a maior resolução temporal de futuras missões como o PLATO, esta abordagem pode tornar a detecção de análogos da Terra a partir de eventos de trânsito único ou poucos trânsitos algo viável.