創新AI技術，科學家發現迄今距其主星最近的最小行星

　　近日，由中國科學院上海天文臺葛健教授帶領的國際團隊，創新了一種深度學習算法，成功在開普勒衛星2017年釋放的恒星測光數據中發現了五顆直徑小于地球、軌道周期短于1天的超短周期行星，其中四顆是迄今為止發現的距其主星最近的最小行星，類似火星大小。

　　這是天文學家首次利用人工智能（AI）一次性完成搜尋疑似信號和識別真信號的任務，相關研究成果發表在國際天文學期刊《皇家天文學會月報》上。

藝術想象圖。中國科學院上海天文臺供圖

　　“終于有了第一份收獲”

　　2015年，人工智能AlphaGo剛取得重大突破，打敗了圍棋界的職業高手。

　　葛健受佛羅里達大學計算機系同事李曉林教授的激勵和啟發，決定試圖把人工智能的深度學習應用在開普勒衛星釋放的測光數據中，尋找開普勒衛星使用傳統方法沒能找到的微弱凌星信號。

　　“要想使用人工智能在海量的天文數據中‘挖’到極其稀少的新發現，就需要發展創新的人工智能算法，同時需要用人工數據集做訓練，使之能快速、準確、完備地探尋到這些很難在傳統方式下找到的稀少而微弱的信號。”葛健說。

　　經過5年的努力和創新，研究團隊成功開發了結合GPU相位折疊和卷積神經網絡的深度學習的新算法（GPFC），其中，在GPU上并行化的快速折疊算法可以提高低信噪比的凌星信號，實現高精度快速搜索，而卷積神經網絡架構由19層神經網絡組成。

　　由于已知的凌星信號真實樣本太少，沒法有效、精確訓練神經網絡，研究團隊根據凌星信號圖像的物理特征，創新地設計和生成各種可能的凌星信號，然后加入200萬個利用開普勒衛星真實光變數據人工合成的光變曲線上進行訓練。

　　接下來，他們將訓練后的神經網絡再應用在開普勒衛星的數據集中，同時，和GPU快速折疊算法一起使用，搜尋數據中的超短周期凌星信號。

　　最終，這種GPFC新算法比國際上流行的先進的BLS法搜尋速度提高了約15倍，檢測準確度和完備度各提高約7%，幫助團隊發現了5顆半徑很小的超短周期行星。

　　“經過近10年的努力，我們終于有了第一份收獲。”葛健感慨。

　　“原以為開普勒數據已被‘挖掘殆盡’”

　　利用新算法，科研團隊在開普勒衛星的數據集中，識別出五顆新的超短周期行星，其中，有四顆位列迄今為止發現的最小超短周期行星中的第一、第二、第三和第五名。

　　普林斯頓大學天體物理學家Josh Winn教授評論：“我原以為開普勒衛星數據中的凌星信號已經被‘挖掘殆盡’，不會再有其他行星發現，聽到這些新的潛在行星的消息，我非常興奮，這項尋找新行星的技術成就讓我印象深刻。”

　　超短周期行星類似于“熔巖世界”，是一種公轉周期小于地球一天的行星，它們以極近的距離環繞其主恒星運行，通常體積較小，質量較輕，表面溫度極高。

　　這類行星在類太陽恒星的出現率只有大約0.5%，行星半徑小于2倍地球半徑，而在超熱木星的情況下，行星半徑會大于10倍地球半徑。

　　2011年，科學家從開普勒衛星測光數據中首次發現了超短周期系外行星。到目前為止，一共只有145顆超短周期行星被找到，其中只有30顆半徑小于地球半徑。

　　葛健介紹，由于傳統基于太陽系的行星形成理論并未預測軌道比水星更接近的行星，超短周期系外行星的存在給行星形成理論帶來了獨特的機遇和挑戰，也為行星系統的早期演化、行星-行星相互作用以及恒星-行星相互作用的動力學研究提供重要線索，促使科學家重新審視和完善現有的行星系統形成和演化模型。

　　“理解超短周期行星的相對豐度及其特性，對于檢驗理論模型至關重要。然而，已知的超短周期行星樣本量太小，它們的統計特征和出現率很難精確了解。”葛健認為，該研究成果對在高精度光度觀測數據中快速、高效搜尋凌星信號提供了新的研究方式，充分顯現了人工智能在天文海量數據中探尋微弱信號的廣泛應用潛力和前景。

　　相關論文信息：

　　https://doi.org/10.1093/mnras/stae2155