近日，从中国科学院获悉，利用人工智能技术，中国科学院上海天文台等单位的科研人员发现了5颗直径小于地球的超短周期行星。其中4颗，是迄今为止发现的距其主星最近的最小行星，大小类似火星。这是天文学家首次利用人工智能一次性完成搜寻疑似信号和识别真信号任务。相关研究成果在线发表于《皇家天文学会月报》。
超短周期行星是指那些轨道周期小于1天的行星，它们以极近的距离环绕其主恒星运行，通常体积较小、质量较轻，表面温度极高。到目前为止，天文学家共找到145颗超短周期行星，其中只有30颗半径小于地球半径。“理解超短周期行星的相对丰度及其特性，对于检验理论模型至关重要。然而，已知的超短周期行星样本量太小，很难精确了解它们的统计特征和出现率。”论文通讯作者、中国科学院上海天文台研究员葛健说。
此次，葛健团队创新设计了一种结合GPU相位折叠和卷积神经网络的深度学习算法。利用该算法，团队成功在开普勒太空望远镜的恒星测光数据中发现5颗超短周期行星。
葛健说，这项研究工作始于2015年，彼时人工智能“阿尔法狗”(AlphaGo)取得重大突破，成功击败了围棋界职业高手。加上受到同事的激励与启发，他决定尝试将人工智能的深度学习技术应用于开普勒太空望远镜所收集的恒星测光数据，寻找传统方法未能检测到的微弱凌星信号。
经过近10年努力，葛健团队终于有了第一份收获。葛健认为，要想使用人工智能在海量天文数据中“挖”到极其稀少的新发现，就需要创新人工智能算法，并且利用基于新发现现象物理图像特征所生成的大规模数据集进行训练，使之能快速、准确、完备地探寻到很难在传统方式下找到的稀少而微弱的信号。
普林斯顿大学教授乔什·温(Josh Winn)评论说，超短周期行星拥有极其极端和出乎意料的特性，为人们理解行星轨道如何随时间变化提供线索。这项寻找新行星的技术成就令人印象深刻。
“这些超短周期行星的发现，为行星系统的早期演化、行星—行星相互作用以及恒星—行星相互作用的动力学研究提供重要线索，对行星形成理论研究有重大意义。”葛健说，这项研究为在高精度光度观测数据中快速、高效搜寻凌星信号提供了新的研究方式，也充分展示出人工智能在海量天文数据中探寻微弱信号的广泛应用潜力。
