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

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

本文介绍了一种用于在 K2 星表的光线曲线上搜索外行星证据的方法，该方法同时对系统误差和感兴趣的过境信号进行拟合。基于该方法，作者在第一次观测活动中，发现了 36 个行星候选者，对这些候选者的属性进行了后验分布分析。

Feb, 2015

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

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

这篇论文通过 TESS 和 Kepler 空间望远镜的可见光观测，提出了对 KIC 1718360 这颗 G1.5IV-V 型恒星光变曲线中的定期暗淡事件的检测。数据分析表明可能存在一个半径约为 1.048 地球半径、轨道周期为 2.938 天的天体，以及一个 0.04 天文单位的半长轴。初步观测使用了 One-Class SVM 机器学习方法，在 Kepler 的第 16 季数据上进行。TESS 空间望远镜的后续观测证实了这些发现。虽然仍需要进一步数据验证，但这些结果可能有助于积累更多短周期轨道的类地行星数据。

May, 2024

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

通过卷积神经网络，该论文提供了一种高效、高性能的方法，能够在大规模存档搜索中进行预测和识别短周期变量，从而揭示了短周期主序双星和 Delta Scuti 星等两个主要种群的特征。

Feb, 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

GPFC 是一种新颖的图形处理单元（GPU）相位折叠和卷积神经网络（CNN）系统，用于利用凌日法检测系外行星。该系统采用在 GPU 上并行化的快速折叠算法来放大信噪比低的凌日信号，从而以高精度和速度进行搜索。经过对两百万个合成光曲线进行训练的 CNN 报告了每个周期可能性的得分，GPFC 在速度上比现有的盒形拟合最小二乘（BLS）方法快了三个数量级。模拟结果显示，与 BLS 相比，GPFC 实现了 97% 的训练准确性，在相同的误报率下具有更高的真阳性率和在相同的检测率下具有更高的准确性。在 Kepler 光曲线中进行盲搜索时，GPFC 可以完全恢复已知的超短周期行星。这些结果突显了 GPFC 作为替代传统 BLS 算法在 Kepler 和其他空间凌日任务（如 K2、TESS 和未来的 PLATO 和 Earth 2.0）的数据中寻找新的凌日行星的潜力。

Dec, 2023