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

本研究提出了一种新的基于深度学习（DL）的自动分类轨道信号的架构，并通过自我关注机制来捕捉信号与恒星参数的最重要特征，并利用注意力映射检验各元素的相关性以简化候选者的手动检查。结果表明，此 DL 模型应用于轻曲线数据可以作为探测轨道信号的一种强大技术，并提供了一定的可解释性。

Apr, 2023

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

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

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

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

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

该研究基于卷积神经网络，结合空间，时间和光谱特征，利用多次观测的图像数据中残留信号检测方法，有效提高了外行星探测的精度和召回率。

Jun, 2023

本文探究了使用神经网络在恒星本身相关噪声影响下的径向速度法中替代传统测试方法的可行性，并取得了较好的结果。通过使用合成的数据，该算法的虚阳性误差降低了 28％，并且其执行速度比传统方法快五个数量级。

Mar, 2023