TESS+Transformer+VAE：微透镜搜索新范式，持续时长预测R²=0.97

微引力透镜搜索的挑战与机遇

微引力透镜是广义相对论预言的一种效应：前景天体从观测者和背景恒星之间穿过时，其引力场会弯曲背景光，等效于一个“引力透镜”把背景星临时放大。观测上表现为一颗星突然变亮再恢复的瞬间脉冲。这种效应最早由爱因斯坦在1936年提出，但直到1979年才被首次观测证实。1986年，Paczyński（帕琴斯基）发表了一篇里程碑式的论文，提出可以用微引力透镜来探测银河系晕中的暗天体（如褐矮星、黑洞、中子星等），从此开启了微引力透镜搜索的时代。

搜索极其痛苦：事件极小概率，OGLE巡天在110万颗恒星里才找到第一个。微引力透镜事件的持续时间通常只有几天到几十天，峰值放大率可能只有百分之几到几十倍，而且事件发生完全不可预测——你永远不知道哪颗恒星会在什么时候被透镜事件“点亮”。这意味着巡天项目必须对海量恒星进行高频次、长时间的监测，然后从海量的光变曲线数据中找出那些“突然变亮又恢复”的微小信号。OGLE（Optical Gravitational Lensing Experiment）是微引力透镜搜索的先驱项目之一，从1992年开始运行，至今已发现超过2000颗微引力透镜事件候选体。但OGLE的搜索方式是基于“差值图像分析”（Difference Image Analysis, DIA）的经典算法，需要人工检查大量候选体，效率相对较低。

随着新一代巡天项目（如TESS、LSST、WFIRST）的陆续上线，光变曲线数据的规模正在爆炸式增长。TESS（Transiting Exoplanet Survey Satellite，凌日系外行星巡天卫星）于2018年发射，主要任务是寻找系外行星，但它同时也在持续监测整个天区，每30分钟记录一次恒星亮度，每个扇区（约27天）覆盖约200万颗恒星。TESS的观测数据为微引力透镜搜索提供了前所未有的机会：它覆盖全天区、采样频率高、观测时间长，而且数据公开。但问题也随之而来——TESS每个扇区产生的光变曲线数量高达数百万条，传统的人工检查或经典拟合算法根本无法在合理时间内完成扫描。这正是深度学习模型大显身手的场景。

本文提出的Microlensify模型，正是为了应对这一挑战而设计的。它结合了Transformer（处理时序数据的强大架构）和变分自编码器（VAE，用于学习数据的潜在表示），在TESS光变曲线上训练了一个端到端的分类器。模型不仅能判断一条光变曲线是否包含微引力透镜事件，还能直接输出事件的持续时间（t_E）——这是传统分类器做不到的。更重要的是，作者在多个独立巡天数据上做了跨管道验证，证明了模型的泛化能力。下面我们详细拆解这篇论文的方法和实验。

核心方法：Transformer-VAE混合架构

Microlensify的整体架构可以分为三个主要部分：输入编码器、Transformer主干网络、以及VAE头部。下面我们逐一拆解。

输入表示：模型的输入是TESS光变曲线的时间序列。每条光变曲线包含一系列时间戳和对应的通量值（即恒星亮度）。原始数据经过预处理后，被切分成固定长度的时间窗口（论文中设置为120个时间步，对应约60小时的观测时长）。每个时间步的特征包括：归一化通量值、通量误差、以及时间间隔。归一化通量值通过减去基线通量并除以基线误差得到，这样可以将不同恒星的亮度差异消除，使模型专注于光变曲线的“形状”而非绝对亮度。此外，作者还加入了时间特征（如相位、时间戳的三角函数编码），帮助Transformer捕捉周期性模式。

Transformer主干：Transformer架构最初是为自然语言处理设计的，但近年来在时间序列分析中表现出色。Microlensify使用了一个标准的Transformer编码器，包含多层自注意力机制（Multi-Head Self-Attention）和前馈网络（Feed-Forward Network）。自注意力机制让模型能够动态地关注光变曲线中最重要的时间点——比如微透镜事件的峰值时刻、上升和下降阶段的转折点。与传统的RNN（循环神经网络）或CNN（卷积神经网络）相比，Transformer的优势在于：1）能够捕捉长距离依赖关系，不会像RNN那样存在梯度消失问题；2）计算可以高度并行化，训练效率更高；3）自注意力权重提供了可解释性，可以可视化模型关注哪些时间点。论文中使用了4层Transformer编码器，每层8个注意力头，隐藏维度为128。这个规模相对较小，但足以处理120个时间步的输入序列。

VAE头部与物理信息注入：Transformer编码器的输出经过一个池化层（取所有时间步的平均），得到一个固定维度的特征向量。这个特征向量被送入两个分支：一个分支用于分类（判断是否为微透镜事件），另一个分支用于回归（预测事件持续时间）。但作者没有简单地让这两个分支独立工作，而是将它们通过VAE的隐空间连接起来——这正是本文的核心创新点。

具体来说，VAE的隐变量z被设计为两部分：一部分是自由隐变量（维度为8），另一部分是“物理绑定”隐变量（维度为1），这个维度被显式地绑定到事件持续时间t_E的对数值上。在训练时，模型通过KL散度损失让这个物理绑定维度服从以log(t_E)为中心的正态分布。这样做的效果是：模型在编码光变曲线时，必须将“事件持续时间”这个信息编码到特定的隐变量维度中，而不是让它自由地分散在多个维度里。这带来两个好处：1）隐空间有了明确的物理意义，模型学到的特征空间与真实的物理参数空间对齐，增强了可解释性；2）模型具备了“回归”能力——即使某个候选体没有被分类器判定为微透镜事件，只要它的隐变量在物理绑定维度上有明显的响应，我们仍然可以估计出它的持续时间。这种“物理信息注入”的设计思路，在其他物理量（如峰值放大率、碰撞参数u₀）的预测上也可以推广。

损失函数与训练策略：模型的损失函数由三部分组成：1）分类损失（二元交叉熵），用于判断是否为微透镜事件；2）回归损失（MSE），用于预测log(t_E)；3）VAE的KL散度损失，用于约束隐空间的分布。三个损失通过加权求和得到总损失。训练数据共34500条光变曲线，其中正样本（微透镜事件）约11500条，负样本（非事件）约23000条。正样本全部由模拟生成——作者使用PSPL模型（点源-点透镜模型）生成模拟微透镜事件的光变曲线，并加入TESS真实的噪声特性（包括仪器噪声、系统误差、以及恒星本身的变异性）。负样本则来自TESS真实观测中不包含微透镜事件的平坦光变曲线。训练集和验证集按8:2划分，使用Adam优化器，初始学习率1e-4，训练约100个epoch。整个训练过程在单张NVIDIA V100 GPU上完成，耗时约6小时。

实验设计与关键结果

论文的实验设计非常扎实，分为三个层次：模拟数据验证、TESS真实数据测试、跨巡天泛化测试。

模拟数据验证：在模拟测试集上，模型的分类准确率达到98.2%，召回率（即能找出多少真实事件）为96.7%，精确率（即找出的候选体中有多少是真实事件）为97.5%。对于持续时间预测，模型的R²达到0.97，平均绝对误差（MAE）为0.12天（约2.9小时）。这意味着模型不仅能准确判断“是不是微透镜事件”，还能相当精确地估计事件持续多久。作者还做了消融实验，比较了三种变体：1）去掉VAE头部（只保留分类器）；2）去掉物理绑定隐变量（让隐空间完全自由）；3）完整模型。结果显示，完整模型的分类性能略优于前两种变体（准确率提升约1-2%），但持续时间预测能力大幅提升（R²从0.82提升到0.97）。这说明物理信息注入不仅增强了可解释性，还确实提升了模型对物理参数的感知能力。

TESS真实数据测试：作者将模型应用于TESS第9扇区的真实光变曲线数据，共约560万条。模型以约99.9%的阈值筛选出候选体，最终得到约2000个候选体。这些候选体经过人工检查后，确认了其中包含的已知微透镜事件（来自OGLE、MOA等巡天的通报）。结果显示，模型成功识别了92.7%的已知微透镜事件，且误报率（即被模型标记为候选体但实际不是微透镜事件的）约为0.03%。这个误报率听起来很低，但考虑到560万条光变曲线的基数，0.03%意味着约1700个假阳性候选体——这仍然需要人工检查来排除。作者分析了假阳性来源，发现主要来自三类：1）小行星穿越（小行星从恒星前方经过，产生类似微透镜的亮度变化）；2）恒星耀斑（恒星表面的爆发活动）；3）仪器系统误差（如CCD上的坏像素、卫星姿态调整导致的亮度突变）。其中小行星穿越是最主要的假阳性来源，占所有假阳性的约60%。

跨巡天泛化测试：这是本文最值得称道的实验设计。作者将训练好的模型（仅在TESS第9扇区数据上训练）直接应用于三个独立巡天的微透镜事件数据：OGLE（光学重力透镜实验，主要观测银河系核球方向）、MOA（微透镜观测天体物理学项目，同样观测核球方向）、以及KMTNet（韩国微透镜望远镜网络，也观测核球方向）。这三个巡天的观测波长、采样频率、噪声特性都与TESS不同——TESS在光学波段（600-1000nm）观测，采样间隔30分钟；OGLE在I波段（约800nm）观测，采样间隔约1天；MOA在R波段（约650nm）观测，采样间隔约1天；KMTNet在I波段观测，采样间隔约10分钟。尽管存在这些差异，模型仍然成功识别了大部分已知事件：在OGLE事件中确认率88.5%，MOA事件中确认率90.2%，KMTNet事件中确认率91.3%。这个结果说明模型学到的是微透镜事件光变曲线的“通用形状特征”，而不是过度拟合TESS的特定噪声模式。不过，作者也指出，跨巡天测试中模型的假阳性率有所上升（约0.05%），这可能是因为不同巡天的数据预处理方式不同，导致一些系统误差被模型误判为信号。

适用边界与局限

尽管Microlensify在多个测试中表现优异，但它的局限性也很明显，作者在论文中坦诚地讨论了这些问题。

1. 无法处理二元透镜事件：这是模型最大的硬伤。训练数据完全基于PSPL模型生成，而PSPL假设前景透镜是单个质点。但真实宇宙中，相当比例的微透镜事件是由双星系统（或恒星+行星系统）产生的，其光变曲线会出现复杂的“尖峰”结构（caustic crossing），与PSPL模型的平滑对称形状完全不同。作者测试了模型在已知二元透镜事件上的表现，结果显示模型几乎完全无法识别这些事件（召回率低于5%）。这意味着Microlensify只能作为“第一道筛子”，筛选出PSPL型事件，而二元事件需要其他方法（如专门的二元透镜拟合算法）来处理。作者建议，未来的工作可以扩展训练数据，加入二元透镜模型的模拟事件。

2. 单扇区训练的局限性：模型只在TESS第9扇区的数据上训练。虽然跨巡天测试证明了模型的泛化能力，但TESS不同扇区的观测条件（如天区位置、恒星密度、背景噪声）存在差异。作者指出，模型在其他扇区的表现可能会略有下降，特别是在恒星密度较高的天区（如银河系盘面附近），因为密集的恒星会导致更多的混合光污染，使光变曲线的信噪比降低。此外，TESS的观测策略会随时间变化（如某些扇区采用更短的曝光时间），这也会影响模型的适用性。

3. 假阳性问题：虽然模型的误报率在绝对数值上很低（0.03%），但在大规模巡天数据上，这个比例仍然意味着大量的假阳性候选体需要人工检查。特别是小行星穿越事件，其光变曲线形状与微透镜事件非常相似（都是短暂的亮度增强），模型很难区分。作者尝试了添加额外的特征（如光变曲线的颜色变化）来帮助区分，但效果有限。这个问题在未来的工作中可能需要结合小行星轨道数据库来过滤。

4. 时间窗口的限制：模型的输入时间窗口固定为120个时间步（约60小时）。对于持续时间较长的微透镜事件（t_E > 30天），这个窗口可能无法覆盖完整的上升和下降阶段，导致模型无法准确估计持续时间。作者建议，对于长持续时间事件，可以采用多尺度窗口策略（即同时使用短窗口和长窗口的输入）来改进。

5. 与最新深度学习方法缺乏对比：论文中只与传统的拟合方法（如KMTNet的EventFinder算法）做了对比，没有与近年来提出的其他深度学习方法（如LensNet、ASTROMER等）进行直接比较。这使得我们无法判断Microlensify在深度学习方案中的相对水平。不过，从论文报告的性能指标来看，Microlensify在分类准确率和持续时间预测方面都优于已发表的LensNet（准确率约95%，R²约0.90），但这一比较并非在完全相同的测试条件下进行的。

总结与展望

Microlensify这篇论文的价值不仅在于提出了一个新的微透镜搜索工具，更在于它展示了“物理信息深度学习”在时域天文学中的巨大潜力。通过将物理参数（如事件持续时间）显式地嵌入VAE隐空间，模型在保持高分类性能的同时，获得了对物理量的回归能力。这种设计思路可以推广到其他瞬变天体分类任务——比如超新星（可以绑定峰值亮度或衰减时间）、引力波事件（可以绑定质量或自旋参数）、甚至系外行星凌星（可以绑定轨道周期或行星半径）。

从实际应用的角度看，Microlensify已经具备了作为“预筛选工具”的实用价值。在TESS的560万条光变曲线上，模型只需要几分钟就能完成扫描（在单张GPU上），而传统方法需要数天甚至数周。虽然还需要人工检查来排除假阳性，但候选体数量已经从数百万条缩减到几千条，大大减轻了天文学家的负担。随着TESS继续观测并发布更多扇区的数据，以及未来的LSST（大型综合巡天望远镜）和WFIRST（宽视场红外巡天望远镜）上线，这种基于深度学习的快速筛选方法将变得越来越重要。

当然，本文的局限也为后续研究指明了方向：1）扩展训练数据，加入二元透镜事件和其他物理模型；2）在更多TESS扇区上训练，提高模型的覆盖范围；3）结合小行星轨道数据库和恒星变星目录来降低假阳性率；4）开发多尺度时间窗口策略，处理长持续时间事件；5）与更多深度学习方法进行公平对比，建立统一的基准测试集。我们期待看到这个方向的更多优秀工作。

Q1：为什么微引力透镜事件这么难找？

微引力透镜事件的持续时间通常只有几天到几十天，峰值放大率可能只有百分之几到几十倍，而且事件发生完全不可预测。巡天项目必须对海量恒星进行高频次、长时间的监测，然后从海量的光变曲线数据中找出那些“突然变亮又恢复”的微小信号。传统方法依赖人工检查或经典拟合算法，效率极低。以OGLE为例，它在110万颗恒星中才找到第一个微透镜事件，搜索效率之低可见一斑。

Q2：什么是PSPL模型？

PSPL（Point-Source Point-Lens，点源-点透镜）是微引力透镜中最基本的物理模型，假设背景源是点光源、前景透镜是质点。它的放大率由帕琴斯基公式精确描述，只依赖三个参数：t₀（最大放大时刻）、u₀（最小碰撞参数）、t_E（爱因斯坦穿越时间）。实际观测中还要加上源通量f_s和混合背景通量f_b两个线性参数。Microlensify的模拟训练数据全部基于PSPL模型生成，这也是它对二元透镜事件失效的原因。

Q3：为什么要在VAE里专门加一个持续时间隐变量？

这是本文的核心创新点之一。普通VAE的隐空间是完全自由的，模型自己决定每个维度编码什么信息。但Microlensify把一个隐变量维度显式绑定到事件持续时间t_E上，并通过KL散度让这个维度服从以t_E为中心的分布。这样做有两个好处：一是隐空间有了明确的物理意义，模型学到的特征空间和真实的物理参数空间对齐；二是让模型具备了“回归”能力，不只能判断“是不是微透镜”，还能直接输出“这个事件持续多久”。这个设计思路在其他物理量（比如峰值放大率、碰撞参数）的预测上也可以推广。

Q4：模型在跨巡天测试中表现如何？

作者将训练好的模型直接应用于OGLE、MOA、KMTNet三个独立巡天的已知微透镜事件数据。结果显示，模型在OGLE事件中确认率88.5%，MOA事件中确认率90.2%，KMTNet事件中确认率91.3%。这说明模型学到的是微透镜事件光变曲线的“通用形状特征”，而不是过度拟合TESS的特定噪声模式。不过，跨巡天测试中模型的假阳性率有所上升（约0.05%），这可能是因为不同巡天的数据预处理方式不同。

Q5：模型的主要局限性有哪些？

主要有四点：1）完全无法处理二元透镜事件，因为训练数据只包含PSPL模型；2）只在TESS第9扇区训练，其他扇区的表现可能略有下降；3）假阳性率虽然低（0.03%），但在大规模数据上仍意味着大量人工检查工作，特别是小行星穿越事件难以区分；4）输入时间窗口固定为120个时间步（约60小时），对持续时间较长的事件可能无法完整覆盖。

论文创新性分数：★★★★☆

实验合理度：★★★★☆

学术研究价值：★★★★☆

稳定性：★★★☆☆

适应性以及泛化能力：★★★☆☆

硬件需求及成本：★★★★☆

复现难度：★★★★☆

产品化成熟度：★★☆☆☆

可能的问题：训练集只有单扇区真实数据且未包含二元透镜事件，模型对未见过天区/事件类型的泛化能力有限；假阳性率仍偏高，缺乏与最新SOTA深度学习方案的直接对比；小行星穿越假阳性此前未被充分重视，但本文仅揭示问题未给出有效解决方案。