IT之家 10 月 14 日消息，由中國科學院上海天文臺葛健教授帶領的國際團隊，研發了一種結合 GPU 相位折疊和卷積神經網絡的深度學習算法，并在開普勒（Kepler）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。
▲ 已知行星半徑和行星軌道半長軸分布以及五個新發現的超短周期行星（紅點）
▲ 已知行星半徑和行星軌道半長軸分布以及五個新發現的超短周期行星（紅點）
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《皇家天文學會月報》（MNRAS）上。
IT之家附論文鏈接：https://academic.oup.com/mnras/article/534/3/1913/7762975
據介紹，經過 5 年的努力和創新，科研團隊開發了結合 GPU 相位折疊和卷積神經網絡的深度學習的新算法 GPFC。該算法比國際上流行的 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%，提高了凌星信號搜索速度、精度和完備度。
該算法已應用于 Kepler 的數據集中，并識別出五顆新的超短周期行星 ——Kepler-158d、Kepler-963c、Kepler-879c、Kepler-1489c 和 Kepler-2003b。
其中，Kepler-879c、Kepler-158d、Kepler-1489c 和 Kepler-963c 分別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。
Kepler-879c、Kepler-158d、Kepler-1489c 和 Kepler-2003b 是最接近其主星的小型行星，其軌道半徑在 5 個恒星半徑以內，展現了新算法在搜尋微弱凌星信號的優勢。
這些超短周期行星的存在為行星系統的早期演化、行星-行星相互作用以及恒星-行星相互作用的動力學（包括潮汐力和大氣侵蝕）研究提供了關鍵線索，對行星形成理論研究具有重要意義。
這一成果為在高精度光度觀測數據中快速而高效搜尋凌星信號提供了新的研究方式，顯現了人工智能在天文海量數據中探尋微弱信號的應用潛力和前景。
