利用深度学习探测系外行星：Kepler K2数据中的凌日信号识别技术

本项目介绍了一种基于多分支卷积神经网络（CNN）和注意力机制的深度学习管道，旨在从Kepler K2光变曲线数据中自动识别系外行星凌日信号。该技术解决了传统方法在处理K2数据系统性漂移噪声时的局限性，为系外行星探测提供了高效、自动化的创新路径，展示了AI在天文数据分析中的应用价值。

系外行星探测是现代天文学的重要挑战。凌日法是常用探测技术（行星遮挡恒星导致亮度周期性下降），Kepler望远镜已发现2600+确认系外行星。但K2任务因望远镜指向问题，数据存在系统性漂移噪声，传统方法（如盒状最小二乘BLS）依赖人工调参，难以捕捉复杂非线性模式，效果受限。

项目采用多分支CNN架构处理一维光变曲线：

• 多分支卷积：不同大小卷积核捕捉不同时间尺度特征（小核处理噪声/耀斑，中核识别凌日 ingress/egress 阶段，大核捕捉长期趋势）；
• 注意力机制：动态关注潜在凌日事件的时间窗口，抑制噪声区域，且可通过权重可视化提升结果可解释性。

数据预处理步骤包括：归一化消除亮度差异、样条/多项式拟合去除长期漂移、分段处理便于批训练、随机平移/缩放/加噪声增强数据多样性。训练策略针对行星信号稀缺性，采用过采样正例、欠采样负例或focal loss等方法平衡类别分布。

模型预期性能：高召回率（捕捉微弱凌日信号）、低误报率（区分信号与噪声）、实时推理效率（优于传统拟合计算）。科学价值在于系统性扫描大规模数据，发现人类可能遗漏的微弱/长周期系外行星候选体。

未来改进方向：多模态融合（结合径向速度/光谱数据）、迁移学习至TESS任务、不确定性量化（贝叶斯网络/集成方法）、端到端系统（直接从像素学习）。开源意义：促进方法论透明性，加速技术传播，为社区提供可复现代码基础和学习资源。