Astroconformer是一种基于Transformer的模型，用于分析Kepler计划中的恒星光变曲线，并演示该方法在木星质量和稳健推断恒星和地球表面引力方面的优越性，可推广至Rubin Observatory的稀疏光变曲线数据。

Jul, 2022

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

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

星体震荡、颗粒化、光曲线、机器学习和Astroconformer构成了这篇论文的主要研究内容。

Sep, 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

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

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

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

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