中新网北京10月14日电(记者孙自法郑莹莹)自从超短周期系外行星于2011年在开普勒(Kepler)太空望远镜测光数据中首次被发现以来，这些新发现给行星形成理论带来独特机遇和挑战，也促使天文学家重新审视和完善现有的行星系统形成和演化模型，相关研究进展备受关注。

来自中国科学院的最新消息说，中国科学院上海天文台葛健研究员带领的国际团队创新一种深度学习算法，在开普勒太空望远镜2017年释放的恒星测光数据中，研究发现5颗直径小于地球、轨道周期短于1天的超短周期行星，其中4颗是迄今发现的距其类太阳主星最近的最小行星，大小类似火星。

这项重要天文研究成果，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的任务，成果论文近日在国际专业学术期刊《皇家天文学会月报》上发表。

新算法有哪些优势

葛健介绍说，经过持续努力和创新，研究团队成功开发出结合图形处理器(GPU)相位折叠和卷积神经网络的深度学习的新算法。该算法比目前国际上流行算法搜寻速度提高约15倍，检测准确度和完备度各提高约7%，显著提高了凌星信号搜索速度、精度和完备度，展现出新的深度学习算法在搜寻微弱凌星信号的优势。

本次研究中，新算法成功应用于开普勒太空望远镜数据集中，并识别出编号分别为Kepler—158d、Kepler—963c、Kepler—879c、Kepler—1489c和Kepler—2003b这5颗新的超短周期行星。

其中，Kepler—879c、Kepler—158d、Kepler—1489c和Kepler—963c，在迄今发现的最小超短周期行星中，分别位列第一、第二、第三和第五；Kepler—879c、Kepler—158d、Kepler—1489c和Kepler—2003b是最接近其主星的小型行星，其轨道半径在5个恒星半径以内。

成果有何重要意义

研究团队认为，最新研究发现的火星大小的行星提供了更加多样化的系外行星样本，为理解超短周期行星形成机制提供新线索。这些超短周期行星的存在，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(包括潮汐力和大气侵蚀)研究奠定重要基础，对行星形成理论研究有重大意义。

该研究成果还为在高精度光度观测数据中快速、高效搜寻凌星信号提供新的研究方式，也充分显现人工智能在天文海量数据中探寻微弱信号的广泛应用潜力和前景。

葛健表示，本次研究工作的突破性发现是人工智能在天文大数据领域应用的一个里程碑，要想使用人工智能在海量的天文数据中“挖”到极其稀少的新发现，就需要发展创新的人工智能算法。同时，需要依据新发现现象的物理图像特征生成的大量的人工数据集做训练，使之能快速、准确、完备地探寻到这些很难在传统方式下找到的稀少而微弱的信号。

普林斯顿大学天体物理学家乔什·温(JoshWinn)教授评论称，超短周期行星(或称“熔岩世界”)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。他原以为开普勒数据中的凌星信号已经被“挖掘殆尽”，不会再有其他行星发现，听到这些新的潜在行星的消息非常兴奋，并对这项寻找新行星的技术成就印象深刻。

人工智能如何助力

研究团队指出，超短周期行星在类太阳恒星的发生率很低，只有大约0.5%，通常半径小于2倍地球半径，或在超热木星的情况下，大于10倍地球半径。到目前为止，天文学家总共只找到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，它们的统计特征和出现率很难精确了解。

葛健说，这次研究工作真正起始时间是2015年，当年的人工智能AlphaGo刚取得打败围棋界职业高手的重大突破。他受佛罗里达大学计算机系同事李晓林教授的激励和启发，决定试图把人工智能的深度学习应用在开普勒太空望远镜释放的测光数据中，寻找使用传统方法没能找到的微弱凌星信号。“幸运的是经过近10年的努力，我们终于有了第一份收获”。

本项研究设计的在GPU上并行化的快速折叠算法，可以提高低信噪比的凌星信号，从而实现高精度快速搜索。该算法中的卷积神经网络架构由19层神经网络组成，但由于已知的凌星信号真实样本太少，没法有效、精确训练神经网络。

基于此，研究团队根据凌星信号图像的物理特征创新设计和生成各种可能的凌星信号，然后在加入200万个利用开普勒太空望远镜真实光变数据人工合成的光变曲线上进行训练。训练后的神经网络再应用在开普勒太空望远镜的数据集中，并和GPU快速折叠算法一起使用搜寻数据中的超短周期凌星信号，最终帮助团队发现5颗半径很小的超短周期系外行星。(完)