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。

本研究提出TESS，旨在解决脉冲神经网络在资源有限设备上训练时的高计算和内存需求问题。TESS基于生物机制，采用时空局部学习规则，使计算和内存开销与神经元数量线性相关，性能接近传统反向传播算法，适合边缘设备的高效学习。

该文综述深度学习在天文光变曲线分析中的应用，包括系外行星凌星检测、红噪声处理、变星分类及小行星径向速度测量。研究多采用一维CNN、多行CNN等模型，实现自动特征提取与高效分类，准确率最高达98%，并提升计算速度与可扩展性，为未来行星探测提供新方法。