近日，由中國科學院上海天文台葛健教授帶領的國際團隊創新了一種結合GPU相位折疊和摺積神經網路的深度學習演算法，並成功在克卜勒（Kepler）2017年釋放的恒星測光數據中發現了五顆直徑小於地球、軌域周期短於1天的超短周期行星，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。
藝術想象圖（制圖：石琰）新發現的類似火星大小的超短周期系外行星。由於離主星非常近，行星不光表面溫度很高，而且潮汐力會擠壓行星內部和表面產生很多火山噴發
這是天文學家首次利用人工智慧一次性完成搜尋疑似訊號和辨識真訊號的任務，相關研究成果發表在國際天文學期刊【皇家天文學會月報】（MNRAS）上。
超短周期系外行星於2011年在Kepler測光數據中首次被發現，這給行星形成理論帶來了獨特的機遇和挑戰，促使科學家重新審視和完善現有的行星系統形成和演化模型。
但超短周期行星在類太陽恒星的發生率很低，只有大約0.5%，通常半徑小於2倍地球半徑，或在超熱木星的情況下，大於10倍地球半徑。到目前為止，總共只找到了145顆超短周期行星，其中只有30顆半徑小於地球半徑。
「本次工作的真正起始時間是2015年，當年的人工智慧AlphaGo剛取得了重大突破，打敗了圍棋界的職業高手。我受佛羅裏達大學電腦系同事李曉林教授的激勵和啟發，決定試圖把人工智慧的深度學習套用在Kepler釋放的測光數據中，尋找Kepler使用傳統方法沒能找到的微弱淩星訊號。」葛健說。
經過多年的努力和創新，葛健團隊成功開發了結合GPU相位折疊和摺積神經網路的深度學習的新演算法（GPFC）。該演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%，顯著提高了淩星訊號搜尋速度、精度和完備度。
透過新演算法，研究團隊在Kepler的數據集中辨識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，其軌域半徑在5個恒星半徑以內，展現了新的演算法在搜尋微弱淩星訊號的優勢。
已知行星半徑和行星軌域半長軸分布以及五個新發現的超短周期行星（紅點）。四個新的超短周期行星——Kepler-158d、Kepler-879c、Kepler-1489c和Kepler-2003b——是最接近它們主星的最小行星之一，其軌域在5個恒星半徑以內
葛健表示，本次工作的突破性發現是人工智慧在天文大數據領域套用的又一個裏程碑，要想使用人工智慧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慧演算法，同時需要依據新發現現象的物理影像特征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訊號。
此次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了新線索。此外，該研究成果對在高精度光度觀測數據中快速、高效搜尋淩星訊號提供了新的研究方式，也充分顯現了人工智慧在天文海量數據中探尋微弱訊號的廣泛套用潛力和前景。（記者宋雅娟 肖春芳）
