# Single Transit Detection In Kepler With Machine Learning And Onboard Spacecraft Diagnostics

**Authors:** Matthew T. Hansen, Jason A. Dittmann  
**arXiv:** [2403.03427](https://arxiv.org/abs/2403.03427)  
**Date:** 2024-03-06  
**Summary page:** https://www.summarizepaper.com/fr/paper/2403.03427v1/

## Key points

- Les auteurs Matthew T. Hansen et Jason A. Dittmann ont présenté une technique novatrice utilisant des réseaux neuronaux convolutionnels incorporant les diagnostics embarqués de l'engin spatial Kepler pour classer les transits au sein d'une courbe de lumière.
- Cette méthode permet de détecter de manière fiable les transits individuels sans informations supplémentaires sur le système, crucial pour la découverte d'exoplanètes à longues périodes orbitales.
- Grâce à cette approche innovante, un pipeline a été mis en place pour récupérer l'emplacement des transits individuels et la période de l'exoplanète en orbite, maintenant une sensibilité de récupération des transits supérieure à 80 % jusqu'à une période orbitale de 800 jours.
- Ce pipeline basé sur des réseaux neuronaux offre le potentiel de découvrir des planètes supplémentaires dans le jeu de données Kepler, notamment dans le régime $\eta$-Terre.
- Les auteurs rapportent leur premier candidat issu de cette méthode, KOI 1271.02, avec des estimations préliminaires sur son rayon et sa masse.
- Pour obtenir davantage d'informations sur KOI 1271.02, il serait nécessaire soit d'effectuer des mesures supplémentaires des Variations du Temps de Transit (TTVs) associées à KOI 1271.01 soit d'observer un second transit.
- En conclusion, cette étude ouvre la voie à une nouvelle approche prometteuse pour la détection précise et efficace des transits individuels dans les données du télescope spatial Kepler grâce à l'utilisation intelligente du machine learning et des diagnostics embarqués sur l'engin spatial lui-même.

## Summary

Les auteurs Matthew T. Hansen et Jason A. Dittmann ont présenté une technique novatrice utilisant un ensemble de réseaux neuronaux convolutionnels incorporant les diagnostics embarqués de l'engin spatial Kepler pour classer les transits au sein d'une courbe de lumière. Cette méthode permet de détecter de manière fiable les transits individuels sans informations supplémentaires sur le système, ce qui est crucial pour la découverte d'exoplanètes à longues périodes orbitales. Les techniques traditionnelles telles que le repliement en phase des courbes de lumière et l'analyse des périodogrammes des données de vélocité radiale sont plus sensibles aux planètes avec des périodes orbitales plus courtes, laissant ainsi un manque de découvertes planétaires à longues périodes. Grâce à cette approche innovante, les chercheurs ont mis en place un pipeline pour récupérer l'emplacement des transits individuels et la période de l'exoplanète en orbite, maintenant une sensibilité de récupération des transits supérieure à 80 % jusqu'à une période orbitale de 800 jours. Ce pipeline basé sur des réseaux neuronaux offre le potentiel de découvrir des planètes supplémentaires dans le jeu de données Kepler, notamment dans le régime $\eta$-Terre. Les auteurs rapportent leur premier candidat issu de cette méthode, KOI 1271.02. Ils soulignent que KOI 1271.01 présente des Variations du Temps de Transit (TTVs) marquées, ce qui a permis d'établir conjointement un modèle pour contraindre la configuration orbitale et les paramètres planétaires des deux exoplanètes transitantes. En analysant les données disponibles, ils ont pu proposer une série de paramètres potentiels pour KOI 1271.02, bien qu'il n'y ait pas actuellement suffisamment d'informations pour déterminer le système de manière unique. Selon leurs conclusions préliminaires, KOI 1271.02 aurait un rayon estimé à 5,32 $\pm$ 0,20 $R_{\oplus}$ et une masse comprise entre $28,94^{+0,23}_{-0,47}$ $M_{\oplus}$. Pour obtenir davantage d'informations sur la nature exacte de KOI 1271.02, il serait nécessaire soit d'effectuer des mesures supplémentaires des TTVs associées à KOI 1271.01 soit d'observer un second transit de KOI 1271.02. En conclusion, cette étude ouvre la voie à une nouvelle approche prometteuse pour la détection précise et efficace des transits individuels dans les données du télescope spatial Kepler grâce à l'utilisation intelligente du machine learning et des diagnostics embarqués sur l'engin spatial lui-même.