上海天文臺葛健教授帶領的國際團隊，創(chuàng)新了一種深度學習算法，成功在開普勒衛(wèi)星2017年釋放的恒星測光數(shù)據(jù)中發(fā)現(xiàn)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(fā)現(xiàn)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(fā)表在國際天文學期刊《皇家天文學會月報》上。

　　2015年，人工智能AlphaGo剛?cè)〉弥卮笸黄?，打敗了圍棋界的職業(yè)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(fā)，決定試圖把人工智能的深度學習應用在開普勒衛(wèi)星釋放的測光數(shù)據(jù)中，尋找開普勒衛(wèi)星使用傳統(tǒng)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(shù)據(jù)中‘挖’到極其稀少的新發(fā)現(xiàn)，就需要發(fā)展創(chuàng)新的人工智能算法，同時需要用人工數(shù)據(jù)集做訓練，使之能快速、準確、完備地探尋到這些很難在傳統(tǒng)方式下找到的稀少而微弱的信號?！备鸾≌f。

　　經(jīng)過5年的努力和創(chuàng)新，研究團隊成功開發(fā)了結(jié)合GPU相位折疊和卷積神經(jīng)網(wǎng)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(xiàn)高精度快速搜索，而卷積神經(jīng)網(wǎng)絡架構(gòu)由19層神經(jīng)網(wǎng)絡組成。

　　“怎么提升在九游娛樂的游戲體驗？”

　　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(jīng)網(wǎng)絡，研究團隊根據(jù)凌星信號圖像的物理特征，創(chuàng)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(wèi)星真實光變數(shù)據(jù)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(jīng)網(wǎng)絡再應用在開普勒衛(wèi)星的數(shù)據(jù)集中，同時，和GPU快速折疊算法一起使用，搜尋數(shù)據(jù)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(fā)現(xiàn)了5顆半徑很小的超短周期行星。

　　利用新算法，科研團隊在開普勒衛(wèi)星的數(shù)據(jù)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(fā)現(xiàn)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(wèi)星數(shù)據(jù)中的凌星信號已經(jīng)被‘挖掘殆盡’，不會再有其他行星發(fā)現(xiàn)，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(zhuǎn)周期小于地球一天的行星，它們以極近的距離環(huán)繞其主恒星運行，通常體積較小，質(zhì)量較輕，表面溫度極高。

　　這類行星在類太陽恒星的出現(xiàn)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(wèi)星測光數(shù)據(jù)中首次發(fā)現(xiàn)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(tǒng)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(zhàn)，也為行星系統(tǒng)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(xiàn)有的行星系統(tǒng)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(tǒng)計特征和出現(xiàn)率很難精確了解?！备鸾≌J為，該研究成果對在高精度光度觀測數(shù)據(jù)中快速、高效搜尋凌星信號提供了新的研究方式，充分顯現(xiàn)了人工智能在天文海量數(shù)據(jù)中探尋微弱信號的廣泛應用潛力和前景。