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相位摺疊和卷積神經網絡的深度學習算法，並成功在開普勒望遠鏡2017年釋放的恆星測光數據中發現了五顆直徑小於地球、軌道周期短於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。
這是天文學家首次利用人工智慧一次性完成搜尋疑似信號和識別真信號的任務。這些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。相關研究成果發表在國際天文學期刊《皇家天文學會月報》上。
【檢測準確度提高約7%】
超短周期行星在類太陽恆星的發生率很低，只有大約0.5%。到目前為止，總共只找到了145顆超短周期行星，其中只有30顆小於地球半徑。
經過5年的努力和創新，研究團隊成功開發了結合GPU相位摺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%，顯著提高了凌星信號搜索速度、精度和完備度。
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）研究提供重要線索，對行星形成理論研究有重大意義。該研究成果對在高精度光度觀測數據中快速、高效搜尋凌星信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信號的廣泛應用潛力和前景。
【「原以為凌星信號已被挖掘殆盡」】
「超短周期行星，或稱『熔岩世界』，是我最喜歡的系外行星類型之一。它們擁有極其極端和出乎意料的特性，為我們理解行星軌道如何隨時間變化提供線索。我原以為開普勒望遠鏡數據中的凌星信號已經被挖掘殆盡，不會再有其他行星發現，聽到這些新的潛在行星的消息讓我非常興奮，這項尋找新行星的技術成就讓我印象深刻。」普林斯頓大學天體物理學家約書亞·溫教授說。
葛健表示：「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。」