천문·천체물리
저SNR 통과 탐색용 딥러닝 프레임워크 'TransitNet' 제시… 케플러 확인 행성 34개 모두 복원
중간~장주기 지구 크기 행성의 관측 불완전성을 해결하기 위해, 어텐션을 결합한 소형 딥러닝 프레임워크 TransitNet이 제안됐다. 학습에 쓰이지 않은 케플러(Kepler) 관측 대상으로 구성한 벤치마크에서 SNR 6~8 구간 정확도 95.2%를 기록해 TLS·BLS를 앞섰고, ROC-AUC 0.974, PR-AP 0.982를 달성했다. 지구 및 지구 이하 크기 통과 신호를 주입한 복원 실험에서는 복원율 93.0%로 TLS(63.1%)와 BLS(60.0%)를 크게 웃돌았으며, 독립 평가군에서 주입된 통과 현상의 97.4%가 추정된 통과 구간 안에 완전히 포함됐다. 실제 케플러 관측 데이터에 적용했을 때는 선정된 확인 행성 34개를 모두 복원했고 통과 중심시각의 평균 절대오차는 1.24시간이었다. 모델 크기는 약 1.5MB로, CPU 기반 TLS 대비 약 12~25배, CPU 기반 BLS 대비 약 4~5배 빠른 추론 속도를 보였다.
arXiv astro-ph.EP (행성계)