距主星最近最小行星被發現

    自從超短周期系外行星於二○一一年在開普勒太空望遠鏡測光數據中首次被發現以來，這些新發現給行星形成理論帶來獨特機遇和挑戰，也促使天文學家重新審視和完善現有的行星系統形成和演化模型，相關研究進展備受關注。來自中國科學院的最新消息說，中國科學院上海天文台研究人員帶領的國際團隊創新一種深度學習算法，在開普勒太空望遠鏡二○一七年釋放的恆星測光數據中，研究發現五顆直徑小於地球、軌道周期短於一天的超短周期行星，其中四顆是迄今發現的距其類太陽主星最近的最小行星，大小類似火星。這項重要天文研究成果，是天文學家首次利用人工智能一次性完成搜尋疑似信號和識別真信號的任務。

    研究人員介紹說，經過持續努力和創新，研究團隊成功開發出結合圖形處理器(GPU)相位摺疊卷積神經網絡的深度學習的新算法。該算法比目前國際上流行算法搜尋速度提高約十五倍，檢測準確度和完備度各提高約百分之七，顯著提高了凌星信號搜索速度、精度和完備度，展現出新的深度學習算法在搜尋微弱凌星信號的優勢。

    由於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徵，創新地設計和生成各種可能的凌星信號，然後加入二百萬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，他們將訓練後的神經網絡再應用在開普勒衛星的數據集中，同時，和GPU快速折疊演算法一起使用，搜尋資料中的超短周期凌星信號。

    研究團隊認為，最新研究發現的火星大小的行星提供了更加多樣化的系外行星樣本，為理解超短周期行星形成機制提供新線索。這些超短周期行星的存在，為行星系統的早期演化、行星——行星相互作用以及恆星——行星相互作用的動力學（包括潮汐力和大氣侵蝕）研究奠定重要基礎，對行星形成理論研究有重大意義。

    該研究成果還為在高精度光度觀測數據中快速、高效搜尋凌星信號提供新的研究方式，也充分顯現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。

    研究人員表示，本次研究工作的突破性發現是人工智能在天文大數據領域應用的一個里程碑，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，需要依據新發現現象的物理圖像特徵生成的大量的人工數據集做訓練，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。

    小    米