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

📄 arXiv: 2606.02778 📥 PDF

作者: Pratik Priyanshu

分类: ph.EP, ph.IM, cs.LG

发布日期: 2026-06-12

💡 一句话要点

提出EXOVEIL以解决单次过境行星检测问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 外行星检测 过境信号 自监督学习 光度时间序列 机器学习 天文学 Transformer模型 XGBoost

📋 核心要点

  1. 现有的过境行星检测系统通常依赖于相位折叠输入，限制了其在处理单次过境事件时的能力。
  2. EXOVEIL通过学习恒星的亮度行为，直接在原始光度时间序列上进行过境检测，能够识别仅过境一次的行星。
  3. 在实验中，EXOVEIL在1000 ppm深度的单次过境检测中恢复了32%的信号，显著优于传统分类方法的0%恢复率。

📝 摘要（中文）

本文介绍了EXOVEIL，一个通过学习恒星亮度行为来检测外行星的过境检测系统。与现有需要相位折叠输入的方法不同，EXOVEIL直接处理原始光度时间序列，能够检测仅过境一次的行星。该系统基于16,499个开普勒光曲线，通过自监督学习训练的Transformer模型预测恒星的预期光度。匹配滤波器检测器提取预测残差中的过境信号，而学习分类器（XGBoost）则将行星与假阳性分开。在开普勒DR25数据集上，EXOVEIL在1000 ppm深度的单次过境注入恢复实验中恢复了32%的过境信号，而所有基于分类的方法在此任务中得分为0%。在对3737颗开普勒恒星的盲搜索中，发现了179个新的过境信号，包括46个单次过境候选者。EXOVEIL在PLATO LOPS2领域对47颗确认的TESS行星应用时实现了100%的恢复，展示了零-shot跨任务迁移能力。

🔬 方法详解

问题定义：本文旨在解决现有过境行星检测方法在处理单次过境事件时的局限性，尤其是依赖相位折叠输入的系统无法检测到的情况。

核心思路：EXOVEIL通过学习恒星的亮度行为，直接在原始光度时间序列上进行分析，能够有效识别出仅过境一次的行星。这样的设计使得系统在处理复杂的光度变化时更具灵活性和准确性。

技术框架：EXOVEIL的整体架构包括三个主要模块：首先，使用Transformer模型对16,499个开普勒光曲线进行训练，以预测恒星的预期光度；其次，采用匹配滤波器检测器提取预测残差中的过境信号；最后，利用XGBoost分类器将行星信号与假阳性进行区分。

关键创新：EXOVEIL的最大创新在于其能够在没有相位折叠的情况下，直接处理原始光度数据，并且成功检测到单次过境行星，这在现有方法中是前所未有的。

关键设计：在模型训练中，采用了自监督学习的方式，使用了损失函数来优化预测的光度与实际观测之间的差异，确保模型能够准确捕捉恒星的亮度变化特征。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

EXOVEIL在1000 ppm深度的单次过境检测中恢复了32%的信号，而所有基于分类的方法在此任务中得分为0%。在对3737颗开普勒恒星的盲搜索中，发现了179个新的过境信号，包括46个单次过境候选者，展示了其强大的检测能力。对47颗确认的TESS行星的应用实现了100%的恢复率，证明了其跨任务迁移的有效性。

🎯 应用场景

EXOVEIL的研究成果在天文学领域具有重要的应用潜力，尤其是在寻找和确认外行星方面。其能够检测单次过境的能力为未来的天文观测提供了新的思路，可能会推动对稀有行星的发现和研究。此外，EXOVEIL的零-shot迁移能力也为跨任务应用提供了可能性，提升了模型的通用性。

📄 摘要（原文）

I present EXOVEIL, a transit detection system that learns what a star's brightness should look like and flags when reality disagrees. Unlike existing systems that require phase-folded input, EXOVEIL operates on raw flux time series and can detect planets that transit only once.A Transformer world model, trained on 16,499 Kepler light curves with transit-masked self-supervised learning, predicts expected stellar flux. A matched-filter detector with variance weighting extracts transit signals from the prediction residuals. A learned classifier (XGBoost) separates planets from false positives, achieving AUC 0.938 on Kepler DR25. Applied to single-transit injection-recovery, EXOVEIL recovers 32% of transits at 1000 ppm depth a task where all classification-based systems score 0% by construction. A blind search of 3,737 Kepler stars yields 179 new transit-like signals not present in the DR25 TCE catalogue, including 46 monotransit candidates. Applied withoutretraining to 47 confirmed TESS planets in the PLATO LOPS2 field, EXOVEIL achieves 100% recovery, demonstrating zero-shot cross-mission transfer. At PLATO's 25-second cadence, detection reaches 100 ppm -- approaching the Earth-analog regime. I provide the first application of conformal prediction to transit detection (95.9% empirical coverage) and release the system as pip install exoveil with pretrained weights and a candidate catalogue.