本研究提出了一种基于变换器的算法，用于在TESS全帧图像中识别系外行星过境候选者。该算法无需周期性假设，成功识别出214个新的行星系统候选者，显示出强大的检测能力。

本研究利用机器学习探讨系外行星数据集中缺失值对质量测量的影响。通过比较五种算法，发现填补不完整数据能够提高预测质量。提出的$k$NN$ imes$KDE算法显示出较高的可信度和行星特征。

本研究利用人工智能优化系外行星的传输光谱提取，分析哈勃太空望远镜数据，发现了“清晰天空走廊”现象。研究表明，700至1700开尔文的行星在1.4微米H2O带测量中表现出更强的信号，为气溶胶形成提供了新见解。

Astroconformer是一种基于Transformer的模型，能够分析Kepler计划中的恒星光变曲线，展现出在推断恒星和地球引力方面的优势。研究表明，深度学习和卷积神经网络（CNN）能有效检测系外行星，提高准确性和速度，减少人工审核需求。这项技术在光曲线分析中展现出强大潜力，适用于未来的空间任务。

下一代望远镜将利用机器学习技术分析系外行星的光谱数据，以识别异常化学组成和生物特征。研究展示了两种异常检测方法的有效性，并提出了基于自监督学习的框架用于射电望远镜的实时异常分类。文章还回顾了机器学习在高光谱图像分析和尘暴研究中的应用，探讨了未来的挑战和方向。

本文探讨了利用Juno任务数据重建木星内部磁场的方法，采用物理信息神经网络（PINN）进行分析，结果与Juno数据拟合良好。同时，研究介绍了ExoMDN模型，通过机器学习处理系外行星的质量分布，展示了神经网络在重力反演和行星系统不稳定性预测中的应用，证明了其准确性和高效性。

GPFC是一种新颖的GPU相位折叠和CNN系统，用于检测系外行星。该系统使用快速折叠算法放大信噪比低的凌日信号，速度比现有方法快三个数量级。模拟结果显示，GPFC具有更高的准确性和真阳性率。GPFC有潜力在Kepler和其他空间任务中寻找新的凌日行星。

欧洲空间局的欧几里得太空望远镜成功发射，前往拉格朗日L2点，任务是绘制20亿个星系结构，分析暗能量对星系扩张的影响。望远镜将勘测超过1/3的天空，研究宇宙膨胀加速的原因，主要任务包括测量弱引力透镜效应和重子声学振荡，了解暗能量的本质。此外，望远镜还将寻找低温、低质量的系外行星。