🔭 astrophysics

Microlensify: a Transformer Based Machine Learning Classifier for Microlensing Events Trained on TESS Light Curves

本文介绍了 Microlensify，这是一种基于物理启发式 Transformer 的变分自编码器，通过在 TESS 数据上进行训练，能够有效地识别微引力透镜候选事件、过滤假阳性结果，并在各种高频观测巡天中准确估计事件持续时间。

原作者： Atousa Kalantari, Somayeh Khakpash, Sedighe Sajadian, Hosein Haghi, Willow Fox Fortino, Rosanne Di Stefano

发布于 2026-08-21

📖 1 分钟阅读☕ 轻松阅读

原作者： Atousa Kalantari, Somayeh Khakpash, Sedighe Sajadian, Hosein Haghi, Willow Fox Fortino, Rosanne Di Stefano

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在我们银河系拥挤而广阔的街道中，恒星的数量如此之多，以至于从地球的角度看去，它们经常完美地排成一线。当一颗前景恒星直接经过一颗更遥远的背景恒星正前方时，它的引力就像一个天然透镜，弯曲了背景恒星的光线，使其看起来暂时变亮。这种被称为“引力微透镜”的现象是天文学家的一件强大工具，因为它能揭示那些原本不可见的物体，例如微弱的孤立恒星，甚至是那些不绕任何太阳运行的自由浮动行星。然而，寻找这些事件就像是在暴风雨的天空中寻找特定类型的云朵；这种亮度增加通常是细微且短暂的，并且很容易与其他类型的恒星行为混淆，例如恒星脉动或双星系统遮掩其伴星。为了寻找这些稀有的信号，天文学家需要从数百万条光变曲线（即追踪恒星亮度随时间变化的图表）中进行筛选，并将引力透镜独特的特征与宇宙的噪声区分开来。

一组研究人员开发出了一种全新的、高效的方法来解决这个问题，使用的是一个名为 Microlensify 的复杂计算机程序。该团队并没有依赖于传统的、难以处理海量数据的缓慢数学拟合方法，而是训练了一个人工智能系统来识别引力微透镜事件的特定形状。该系统构建在“Transformer”架构之上，这是一种最初旨在理解语言的机器学习模型，但在这里被重新用于理解随时间变化的光模式。这种方法的独特之处在于，科学家们不仅向它输入原始数据，还将物理定律直接构建到了训练过程中。这意味着人工智能不仅学习如何识别事件，还理解控制光线行为的物理规则，从而能够以极高的准确度重建事件的时间线并估算透镜持续的时间。

研究人员在来自凌日系外行星巡天卫星（TESS）的数据上测试了这个系统，该空间望远镜扫描了几乎整个天空。虽然 TESS 的主要设计目标是通过观测行星穿过恒星的过程来寻找行星，但其高频观测使其成为捕捉这些稍纵即逝的微透镜事件的极佳（尽管尚未得到充分利用）工具。该团队利用混合了模拟事件（旨在模仿 TESS 数据中微透镜信号特征）和包含高恒星密度区域特定天区的真实光变曲线的数据对模型进行了训练。随后，他们将训练好的模型应用于来自不同数据处理流水线的数百万条光变曲线。结果令人瞩目：该系统成功识别了数千个潜在候选者，并将它们过滤成一份可控的高置信度事件清单。在一项测试中，它发现了一个已被其他空间任务标记过的已知微透镜事件，证明了即使数据来自不同的来源或具有不同的特性，该模型也能识别出该信号。

然而，这个工具的力量不仅在于它发现了什么，还在于它揭示了现代天文学面临的挑战。当研究人员将模型应用于数百万颗恒星时，他们发现了一个令人惊讶的假警报来源。他们发现，小型小行星掠过恒星前方会产生光变曲线中的尖锐、短暂峰值，这与微透镜事件几乎完全相同。这一发现对于未来的巡天项目至关重要，因为它强调了在搜寻这些难以捉摸的物体时必须考虑的一种特定的混淆类型。该模型还被证明能有效识别其他类型的变星，例如长周期脉动星和激变双星，这些天体经常伪装成微透镜候选者。通过将其发现与天文数据库进行交叉引用，团队能够对这些“冒充者”进行分类，从而精炼候选名单，使其仅包含那些尚未被分类或已知稳定的恒星。

Microlensify 的成功不仅限于 TESS 任务。研究人员还在来自智利、南非和新西兰的地面望远镜数据上测试了该模型，这些望远镜观测天空的速度和灵敏度与空间望远镜不同。尽管存在这些差异，该模型仍正确识别了来自这些地面巡天项目的绝大多数已知微透镜事件，这表明它学习的是现象的基本形状，而非仅仅记住了训练数据。这种跨不同仪器的泛化能力表明，该工具可以作为未来更大规模巡天项目（如计划中的南希·格雷斯·罗曼空间望远镜）的通用第一道过滤器。通过快速筛选数百万颗恒星并标记出最有希望的候选者，Microlensify 让天文学家能够将时间和资源集中在那些最有可能揭示银河系中隐形物体新秘密的事件上。

这项研究证实，尽管寻找微透镜事件的过程非常复杂，但高频空间数据与物理启发式机器学习的结合提供了一条清晰的前行之路。该模型不仅对事件进行分类，还能重建光变曲线并高精度地估算透镜持续时间，从而提供即时的物理洞察。研究人员已向更广泛的科学界开放了他们的软件，确保这种新的观测宇宙的方式可以被他人使用，以继续寻找塑造我们对宇宙认知、那些微弱且隐藏的物体。通过这项工作，团队不仅找到了新的候选者，还绘制了假阳性事件的图谱，将一场混沌的搜索转变为一次更精确、更易于管理的探索。

技术摘要：Microlensify —— 一种用于 TESS 光变曲线中微引力透镜事件的 Transformer 架构分类器

问题陈述
引力微引力透镜是探测暗弱紧凑天体和系外行星的关键方法，但在处理像凌日系外行星巡天卫星（TESS）这样高频次的巡天数据时，识别微引力透镜事件面临显著挑战。微引力透镜事件非常罕见，且需要从海量的天体假阳性信号（如变星、瞬变源）以及仪器系统误差中将其区分出来，这需要对数百万条光变曲线进行分析。传统的检测方法，例如拟合点源点透镜（PSPL）模型或应用特定的选择标准（如 $\Delta\chi^2$ 、信噪比 SNR），计算成本高昂，且在扩展到数百万个目标时，难以在平衡假阳性率与检测效率方面取得理想效果。此外，现有的机器学习方法通常仅依赖于模拟数据或提取的特征，可能忽略了真实巡天数据中固有的复杂噪声特性和系统误差。

方法论
作者介绍了 Microlensify，这是一种物理启发式 Transformer 变分自编码器（PI-TVAE），旨在对单透镜微引力透镜事件进行分类、重建光变曲线并估计事件持续时间。

数据准备： 模型是在一个混合数据集上训练的，该数据集包含：
1. 模拟数据： 约 93,000 条单透镜微引力透镜光变曲线，通过针对 TESS 第 12 扇区特征定制的蒙特卡洛模拟生成（使用基于 Besançon 星系模型的恒星参数和 VBBINARYLENSING 处理有限源效应）。这些数据经过严格的质量筛选（ $\Delta\chi^2_{KMTNet} > 400$ ， $\text{SNR} > 30$ ，以及偏度-冯·诺依曼空间约束），以确保训练样本的高置信度。
2. 真实数据： 约 17,500 条来自 TESS 第 12 扇区的非微引力透镜光变曲线，通过 GSFC-ELEANOR-LITE 流水线提取。引入真实数据使模型能够学习 TESS 观测中特定的系统误差和噪声剖面。
- 输入特征： 模型处理长度为 940 个归一化通量点的固定长度序列。为了保留归一化过程中丢失的振幅信息，模型将五个统计特征（最小值、最大值、中位数、标准差以及标准差与极差的比值）与通量时间序列进行拼接。
架构：
- 编码器（Encoder）： 利用并行的一维卷积层（卷积核大小分别为 3、5、7）来捕捉多尺度模式，随后使用带有多头自注意力机制的 Transformer 模块。编码器输出一个 20 维的隐变量向量。
- 物理启发式隐空间（Physics-Informed Latent Space）： 隐空间受变分自编码器框架约束。至关重要的是，其中一个特定维度专门用于编码事件持续时间（ $4 \times \text{FWHM}$ ），通过物理启发式损失函数使隐分布与真实的持续时间保持一致。
- 解码器（Decoder）： 使用 Transformer 模块和转置卷积从隐变量向量重建光变曲线。
- 分类头（Classification Head）： 一个独立的分支处理隐特征，输出微引力透镜检测的二元概率。
- 损失函数： 复合损失函数最小化重建误差（BCE + MSE）、Kullback-Leibler 散度（用于正则化隐空间）、物理启发式持续时间损失以及用于分类的二元交叉熵。
针对可变周期的预处理： 为了将模型应用于不同的周期（例如 10 分钟或 200 秒）或不同长度的数据，作者实现了一种分块和降采样策略。光变曲线被分割成段，降采样以匹配训练输入的形状，并进行并行处理，以确保在不同巡天配置下的鲁棒性。

核心贡献

新颖架构： 开发了一种物理启发式 Transformer VAE，它将物理约束（事件持续时间）直接集成到隐空间中，提高了模型内部表示的物理可解释性。
真实世界训练： 与许多仅依赖模拟数据的先前工作不同，Microlensify 使用真实的 TESS 光变曲线（Eleanor 流水线）进行训练，以捕捉真实的假阳性和系统误差，从而增强其泛化能力。
多任务学习： 模型同时执行分类、光变曲线重建和事件持续时间估计，提供了一个全面的分析工具，而非简单的二元分类器。
跨巡天适用性： 该框架被证明可以有效地推广到不同的 TESS 流水线（Eleanor、SPOC、QLP）以及具有不同周期和光度特征的独立地面巡天项目（OGLE、KMTNet、MOA）。

结果

在 TESS 第 12 扇区的表现： 应用于约 150 万条 Eleanor 光变曲线，Microlensify 识别出 545 个候选事件（0.036%）。在应用传统检测指标（ $\Delta\chi^2$ 、SNR、偏度-冯·诺依曼）并进行人工视觉检查后，剩余 328 个高置信度候选事件。在类似的分析应用于 SPOC（13.3 万条曲线）和 QLP（286 万条曲线）扇区后，分别得到了 69 个和 3,554 个最终候选事件。
假阳性识别： 研究成功识别了各种假阳性，包括长周期变星、米拉变星、激变变星、红巨星，以及由小行星穿越引起的特定类别的假阳性（产生类高斯峰）。
持续时间估计： 模型在测试集上以高精度预测事件持续时间（ $R^2 = 0.97$ ，MAE = 1.22 天）。
跨巡天验证： 在对 OGLE、KMTNet 和 MOA 各 200 个已发表事件进行测试时，Microlensify 达到了平均 92.7% 的检测效率（概率 $\ge 0.99$ ）。
具体案例研究：
- 成功恢复了已知双透镜事件 Gaia20fnr（在 TESS 中表现为单透镜状的侧翼），概率为 1.0。
- 检测到了 Kunimoto 等人（2025）报告的一个候选自由浮动行星事件，概率为 1.0。
- 未能为双透镜事件 Gaia23bra 分配高概率，这与模型在单透镜模拟上的训练是一致的，尽管数据中明显可见通量变化。

意义与主张
论文声称，Microlensify 代表了在高频次巡天中自动搜索微引力透镜事件方面的重大进展。通过结合 Transformer 的模式识别能力与物理约束及真实数据训练，该模型提供了一种计算效率极高的方案（在单个 CPU 核心上比传统拟合流水线快约 300 倍）。作者强调，该模型在不同周期和巡天类型（从空间观测的 TESS 到地面观测的 OGLE/KMTNet）之间的泛化能力，使其成为一种多功能的工具。研究中特别指出，将小行星穿越识别为假阳性来源是对于未来高频次巡天（如计划中的南希·格雷斯·罗曼空间望远镜）至关重要的发现。作者总结道，Microlensify 可作为有效的初步筛选工具，减少了需要人工检查的数据量，并使得在海量数据集中发现罕见微引力透镜候选者成为可能。

类似论文