系外行星探测：用卷积神经网络分析开普勒望远镜时序数据

ExoPlanet-Detection是一个开源项目，基于开普勒望远镜的光变曲线数据，利用卷积神经网络（CNN）实现系外行星的自动探测。该项目将深度学习技术应用于天体物理学，为海量天文数据的分析提供高效自动化工具，助力系外行星研究。

自1995年首颗系外行星发现以来，凌日法成为开普勒等望远镜的主要探测手段。但开普勒产生的海量光变曲线数据（数万颗恒星、数年观测）人工分析难以完成，亟需机器学习技术解决。

开普勒光变曲线记录恒星亮度变化，凌日事件会导致周期性亮度下降（通常小于1%），但数据存在噪声、异常值等问题。CNN可自动学习凌日信号特征（如U型/V型下降），相比手工特征工程更鲁棒，适合大规模数据处理。

项目包含数据获取（01_descarga.py）、预处理（02_preprocesar.py）、模型训练（03_entrenamiento.py、ExoNet.py）、实验分析（多个Notebook如Shallue_model.ipynb）及超参数优化（Optuna框架）等模块，覆盖完整MLOps流程。

1. 借鉴Google研究员2018年的开创性工作；2. 探索小波变换与时频分析结合的模型；3. 遵循良好机器学习工程实践，如数据分离、版本控制、超参数追踪。

1. 辅助天文学家快速筛选高置信度候选行星；2. 可能发现传统方法遗漏的弱信号行星（如开普勒-90i）；3. 经验可应用于TESS等新一代望远镜数据分析。

1. 数据类别不平衡（正样本远少于负样本）；2. 伪阳性问题（非行星现象易产生类似凌日信号）；3. 机器学习结果需专业天文学家人工验证。

该项目展示了机器学习在天文研究的潜力，为系外行星探测提供高效工具。随着JWST等设施投入，机器学习将在行星大气表征、宜居世界寻找等方面发挥更大作用，此开源项目为开发者和研究者提供入门参考。