近日，由中国科学院上海天文台葛健教授带领的国际团队创新了一种结合GPU相位折叠和卷积神经网络的深度学习算法，并成功在开普勒（Kepler）2017年释放的恒星测光数据中发现了五颗直径小于地球、轨道周期短于1天的超短周期行星，其中四颗是迄今为止发现的距其主星最近的最小行星，类似火星大小。

艺术想象图（制图：石琰）新发现的类似火星大小的超短周期系外行星。由于离主星非常近，行星不光表面温度很高，而且潮汐力会挤压行星内部和表面产生很多火山喷发

这是天文学家首次利用人工智能一次性完成搜寻疑似信号和识别真信号的任务，相关研究成果发表在国际天文学期刊《皇家天文学会月报》（MNRAS）上。

超短周期系外行星于2011年在Kepler测光数据中首次被发现，这给行星形成理论带来了独特的机遇和挑战，促使科学家重新审视和完善现有的行星系统形成和演化模型。

但超短周期行星在类太阳恒星的发生率很低，只有大约0.5%，通常半径小于2倍地球半径，或在超热木星的情况下，大于10倍地球半径。到目前为止，总共只找到了145颗超短周期行星，其中只有30颗半径小于地球半径。

“本次工作的真正起始时间是2015年，当年的人工智能AlphaGo刚取得了重大突破，打败了围棋界的职业高手。我受佛罗里达大学计算机系同事李晓林教授的激励和启发，决定试图把人工智能的深度学习应用在Kepler释放的测光数据中，寻找Kepler使用传统方法没能找到的微弱凌星信号。”葛健说。

经过多年的努力和创新，葛健团队成功开发了结合GPU相位折叠和卷积神经网络的深度学习的新算法（GPFC）。该算法比国际上流行的BLS法搜寻速度提高了约15倍，检测准确度和完备度各提高约7%，显著提高了凌星信号搜索速度、精度和完备度。

通过新算法，研究团队在Kepler的数据集中识别出五颗新的超短周期行星：Kepler-158d、Kepler-963c、Kepler-879c、Kepler-1489c和Kepler-2003b。其中，Kepler-879c、Kepler-158d、Kepler-1489c和Kepler-963c分别位列迄今为止发现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，其轨道半径在5个恒星半径以内，展现了新的算法在搜寻微弱凌星信号的优势。

已知行星半径和行星轨道半长轴分布以及五个新发现的超短周期行星（红点）。四个新的超短周期行星——Kepler-158d、Kepler-879c、Kepler-1489c和Kepler-2003b——是最接近它们主星的最小行星之一，其轨道在5个恒星半径以内

葛健表示，本次工作的突破性发现是人工智能在天文大数据领域应用的又一个里程碑，要想使用人工智能在海量的天文数据中“挖”到极其稀少的新发现，就需要发展创新的人工智能算法，同时需要依据新发现现象的物理图像特征生成的大量的人工数据集做训练，使之能快速、准确、完备地探寻到这些很难在传统方式下找到的稀少而微弱的信号。

此次发现的火星大小的行星提供了更加多样化的系外行星样本，为理解超短周期行星形成机制提供了新线索。此外，该研究成果对在高精度光度观测数据中快速、高效搜寻凌星信号提供了新的研究方式，也充分显现了人工智能在天文海量数据中探寻微弱信号的广泛应用潜力和前景。