중간에서 긴 주기를 갖는 지구 크기 행성들의 관측상 불완전성에 동기를 얻어, 저 SNR 트랜짓 블라인드 탐색을 위한 컴팩트한 어텐션 증강 심층 학습 프레임워크인 TransitNet을 제시합니다. 블라인드 탐색 조건 하에서 현실적인 방법 개발과 객관적인 임계값 보정을 가능하게 하기 위해, 통합된 데이터셋 구축, 벤치마킹 및 임계값 선택 프레임워크를 개발했습니다. 학습에 사용되지 않은(unseen) Kepler 타겟으로 구성된 회복 벤치마크에서 TransitNet은 도전적인 6~8의 SNR 범위에서 95.2%의 정확도를 달성했으며, 각각 0.974와 0.982의 ROC-AUC 및 PR-AP 값을 달성하여 TLS와 BLS 모두를 능가했습니다. 지구 크기 및 지구보다 작은 트랜짓 회복 실험에서 TransitNet은 93.0%의 회복율을 달성하여 TLS(63.1%)와 BLS(60.0%)의 결과를 상당히 초과했습니다.
검출 외에도 TransitNet은 어텐션 기반의 트랜짓 윈도우와 중간점 추정치를 제공합니다. 독립적인 평가 세트에서 주입된 트랜짓의 97.4%가 추정된 트랜짓 윈도우에 의해 완전히 포함되었습니다. 실제 Kepler 관측 데이터에 적용했을 때, 해당 모델은 평균 절대 트랜짓 중간점 오차 1.24시간으로 선택된 34개의 확인된 Kepler 행성을 모두 성공적으로 회복했습니다.
이 모델은 약 1.5 MB의 컴팩트한 용량과 높은 추론 효율성을 결합하여, CPU-TLS 대비 약 12~25배, CPU-BLS 대비 약 4~5배의 속도 향상을 보입니다. 이러한 결과는 TransitNet이 테스트된 영역에서 저 SNR 트랜짓 블라인드 탐색을 위한 정확하고 확장 가능하며 계산 효율적인 프레임워크를 제공함을 보여주며, 더 긴 주기의 지구 크기 행성 탐색으로의 확장을 정당화합니다.
지구 질량 행성에 의해 유발된 미세한 도플러 시프트를 항성 시선 속도 측정에서 탐지하는 것은 항성 활동으로 인해 여전히 극도로 어렵습니다. 시뮬레이션 데이터에서는 잘 수행되는 많은 심층 학습 방법들이 실제 항성 스펙트럼에는 신뢰할 수 있게 적용하기 어렵습니다. 이 연구의 목적은 실제이고 본 적 없는 스펙트럼으로 일반화되며 시선 속도 데이터에서 지구 질량 행성의 탐지 가능성을 향상시키는 심층 학습 프레임워크를 개발하는 것입니다. 우리는 플럭스와 스펙트럼선 형성 온도, 그리고 이들의 속도 구배에 기반한 물리학적 원리에 기반한 스펙트럼 표현을 사용하여, 주입된 행성 신호가 있는 HARPS-N 태양 스펙트럼에 대해 인공 신경망을 학습시킵니다. 두 가지 학습 전략을 탐구합니다: 홀드-아웃 테스트와 교차 검증입니다. 모델의 견고성은 유전 알고리즘 기반 하이퍼파라미터 최적화를 통해 향상되고, 예측 불확실성은 몬테카를로 드롭아웃을 사용하여 정량화됩니다. 우리의 가장 정밀한 신경망 모델은 교차 검증 전략 하에서 25 cm/s 이상의 진폭과 10일에서 550일 사이의 주기를 가진 행성 신호의 진폭, 위상, 및 궤도 주기를 신뢰할 수 있게 복원합니다. 또한, 여기서 테스트된 모든 경우에서 성공적으로 복원된 신호는 도플러 시프트 예측의 주기도(periodogram)에서 가장 유의미한 피크에 해당합니다. 온도 기반 스펙트럼-셸 표현은 플럭스 기반 셸보다 일관되게 더 우수한 성능을 보입니다. 또한 제안된 프레임워크를 구현하는 Python 패키지인 doppleriann을 공개합니다. 우리의 결과는 물리학적 원리에 기반한 스펙트럼 표현과 심층 학습을 결합하는 것이 실제 관측 시선 속도 데이터 내 지구 질량 행성 탐지를 위한 유망한 경로를 제공함을 보여줍니다. 이는 불확실성 정량화와 최적화된 학습 전략을 통합하고, 물리적으로 타당하며 통계적으로 엄격한 모델링 프레임워크에 의해 뒷받침됩니다.