人工智能寻找到新行星，它的出现帮我们解决许多问题，精确度极高

在《天文学杂志》上发表的一篇论文中，美国得克萨斯大学奥斯汀分校(University of Texas at Austin)的安妮·达蒂罗(Anne Dattilo)领导的研究人员报告称，他们将人工智能应用于美国宇航局(NASA)开普勒太空望远镜收集的数据。人工智能成功地识别出了迄今未被发现的围绕两颗恒星运行的行星。

图解：使用人工智能对有噪声的数据进行梳理会产生结果。

使用的数据是在开普勒的所谓K2任务期间收集的，这是该飞船延长的“第二生命”活动。该活动始于2013年，当时美国宇航局的工作人员在一次严重故障后成功重启了该望远镜。

研究报告的撰写者之一安德鲁·范德堡解释说，将受损的航天器重新投入运行无疑是工程学的一大胜利，但它却让天文学家们头疼不已。他说:“K2的数据更具有挑战性，因为航天器一直在移动，”

其运动的摆动意味着收集到的数据非常嘈杂，这使得对系外行星的识别更具挑战性。研究人员现在已经证明，一种解决方案是建立一个行星搜索算法，然后让它自由运行。运行该程序后，我们发现了围绕一颗1300光年远的恒星运行的行星K2-293b和围绕一颗1230光年远的恒星运行的行星K2-294b。两者都位于宝瓶座。

达蒂洛（Dattilo)说，这些行星是“K2中发现的非常典型的行星”。她解释说:“它们离主星很近，轨道周期短，而且很热。”“它们比地球稍大一些。”研究人员现在计划将人工智能应用于更大的K2数据集，并期望发现更多迄今为止隐藏的宝藏。

范德伯格说:“人工智能将帮助我们统一搜索数据集。”即使每颗恒星周围都有一颗地球大小的行星，当我们用开普勒望远镜观察时，我们也不会发现所有的行星。这只是因为一些数据太吵了，或者有时行星排列不正确。所以，我们必须纠正我们错过的。我们知道有很多行星因为这些原因我们看不到。

“如果我们想知道总共有多少颗行星，我们必须知道我们发现了多少颗行星，但我们也必须知道我们错过了多少行星。这就是问题所在。”

多年来，科学家们一直利用美国宇航局开普勒太空望远镜的数据来寻找和发现数千颗凌日系外行星。开普勒在其延长的K2任务中，观察了黄道平面上天空中不同区域的恒星，因此在不同的星系环境中。天文学家想知道系外行星的数量在这些不同的环境中是不同的。然而，这需要一种自动和公正的方法来识别这些区域的系外行星，并排除模拟凌日行星信号的假阳性信号。

我们提出了一种利用深度学习对这些系外行星信号进行分类的方法。深度学习是一种机器学习算法，在医学和语言学等领域都很流行。我们修改了一个神经网络，以前用于在开普勒领域识别系外行星，以便能够识别不同K2运动中的系外行星，这一运动在银河系环境中范围很宽。我们训练一个名为AstroNet-K2的卷积神经网络，来预测给定的可能系外行星信号是由系外行星引起的还是假阳性。AstroNet-K2在分类系外行星和误报方面非常成功，在我们的测试集中准确率达到98%。

参考资料

1.WJ百科全书

2.天文学名词

3. cosmosmagazine-ANDREW MASTERSON

如有相关内容侵权，请于三十日以内联系作者删除

转载还请取得授权，并注意保持完整性和注明出处