通过使用一组卷积神经网络和开普勒宇宙飞船的诊断工具，我们提出了一种新的技术，可以在光度曲线中对行星凌星进行分类，并且可以保持高达 80％的准确度，对高达 800 天的轨道周期的行星凌星进行定位和周期恢复。

Mar, 2024

Kepler Mission 通过使用凌日法探测类似太阳的恒星中太阳系行星的可能住居区域内的地球大小行星，并在数据 43 天内确定了五个新的行星的质量、半径和轨道周期。

Jan, 2010

开发了一个能够检测来自不同望远镜和调查中的光曲线中的短时（transits）的人工神经网络模型，结果表明 1D CNN 是处理非相位折叠的光曲线具有短时的良好选择，并减少了传统分析所需要的时间。

Dec, 2023

本文通过对多达 197,096 个 Kepler 目标的修正后的恒星属性进行分析，提出了精确测量外行星数据中至关重要的恒星基本属性（如温度，半径和质量）及其出现率的新目录，其中包括了恒星的距离和消光度，每颗恒星的每个参数的后验样本也被提供。

Sep, 2016

文章介绍了使用深度学习对开普勒探测器发现的潜在系外行星信号进行分类鉴别的方法，并应用到已知多行星系统中发现两个新的行星，其中一个则是在 Kepler-80 周围的五个行星的 3 体 - 拉普拉斯共振链中。

Dec, 2017

使用一维卷积神经网络（CNN）从潜在行星候选者中将掩星双星和其他假阳性分离出来，从而减少需要人工审核的光曲线数量。该方法可将需要手动审核的光曲线数量减少三分之一，并且对行星候选者的误分类非常小。

May, 2024

自 1995 年发现第一颗热木星绕一个类太阳恒星，即 Peg 51，以来，利用各种观测技术已经确认了 4000 多颗系外行星。本研究利用一种新的 GPU 相位折叠算法和卷积神经网络，称为 GPFC 方法，在 Kepler 光变数据上进行了研究。该方法大大提高了传统的箱式最小二乘法的过境搜索速度，使得可以在几小时内使用商用 GPU 卡对已知 KOI 光变数据进行完整搜索。迄今为止，我们已经确定了五个有前途的短周期次地球候选者。这些小型系外行星的发现突显了 GPFC 方法在 Kepler、TESS 和未来的航天过境任务中搜索小型新过境系外行星的潜力。

Dec, 2023

通过使用模拟的光度曲线注入了类似于行星运动信号的两个一维卷积神经网络模型，在真实数据测试中证明了这些模型能够从恒星去除趋势的光度曲线中表征恒星行星的性质，并且相较于当前的探测和描述算法，降低了所需时间和计算成本。

Feb, 2024

使用深度神经网络解决红色（相关）噪声问题，以便更好地侦测未来行星探测空间任务（如 PLATO）中的可居住星球。

Nov, 2017

研究表明，观测到 KIC8462852 行星系缺陷的情况最有可能是由一系列外彗星或小行星碎片经过的结果，这些碎片与前一个分裂事件有关，可能由潮汐破坏或热处理引起，预计其中的最小总质量超过 10^-6 地球质量且在原处可能大约是一个直径超过 100 公里的岩石体，未来需要进行更多观测以解释该系统。

Sep, 2015