WATSON-Net: Vetting, Validation, and Analysis of Transits from Space Observations with Neural Networks
M. Dévora-Pajares, F.J. Pozuelos, J.C. Suárez, M. González-Penedo, C. Dafonte
背景。 随着检测到的外行星候选者数量不断增长,对强大且可扩展的自动化工具的需求越来越重要,以优先考虑或验证它们。 在最有前途的解决方案中,深度学习模型提供了解释传统上用于审查过程中的复杂诊断指标的能力。 目标。 在这项工作中,我们介绍了WATSON-Net,这是一个新的开源神经网络分类器和数据准备包,旨在与当前最先进的工具竞争,以审查和验证来自天基任务的凌日系外行星信号。 方法。 在开普勒Q1-Q17 DR25数据上使用10倍交叉验证训练,WATSON-Net生产10个独立模型,每个模型在专用验证和测试集上进行评估。 十种模型经过校准,并通过标准化输入管道,为TESS数据进行可扩展,允许在不同空间任务中进行性能评估。 成果。 对于开普勒目标,WATSON-Net实现了0.903的0.99(R@P0.99)精度召回,排名第二,只有ExoMiner网络表现更好(R@P0.99 = 0.936)。 对于TESS信号,WATSON-Net成为性能最佳的非微调机器学习分类器,在包含已确认的行星和误报的测试中实现了0.93的精度和0.76的召回。 该模型及其数据准备工具在 dearwatson Python 软件包中公开提供,完全开源,并集成到 SHERLOCK 管道的审查引擎中。
Context. As the number of detected transiting exoplanet candidates continues to grow, the need for robust and scalable automated tools to prioritize or validate them has become increasingly critical. Among the most promising solutions, deep learning models offer the ability to interpret complex diagnostic metrics traditionally used in the vetting process. Aims. In this work, we present WATSON-Net, a new open-source neural network classifier and data preparation package designed to compete with c...
