中國網/中國發展門戶網訊 近日，由中國科學院上海天文臺葛健教授帶領的國際團隊創新了一種結合GPU相位折疊和卷積神經網路的深度學習演算法，並成功在開普勒（Kepler）2017年釋放的恒星測光數據中發現了五顆直徑小于地球、軌道週期短于1天的超短週期行星，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，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。

已知行星半徑和行星軌道半長軸分佈以及五個新發現的超短週期行星（紅點）。四個新的超短週期行星——Kepler-158d、Kepler-879c、Kepler-1489c和Kepler-2003b——是最接近它們主星的最小行星之一，其軌道在5個恒星半徑以內。

據介紹，經過5年的努力和創新，研究團隊成功開發了結合GPU相位折疊和卷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%，顯著提高了淩星信號搜索速度、精度和完備度。該演算法已成功應用在Kepler的數據集中，並識別出五顆新的超短週期行星：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週期行星中的第一、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，展現了新的演算法在搜尋微弱淩星信號的優勢。

這些超短週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、高效搜尋淩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。