人工智能在开普勒望远镜数据中发现了300多颗未知系外行星

一种新的人工智能算法在一台现已停止运转的系外行星搜寻望远镜收集的数据中发现了300多颗以前未知的系外行星。

开普勒太空望远镜是美国宇航局第一个专门的系外行星猎人，在寻找太阳系外潜在的可居住世界的过程中，它观察到了数十万颗恒星。

它汇编的潜在行星表继续产生新的发现，即使在望远镜消亡之后。

人类专家分析数据寻找系外行星的迹象。

但是一种叫做ExoMiner的新算法现在可以模拟这个过程，更快更有效地搜索目录。

这台望远镜于2018年11月停止工作，从开普勒的角度来看，它寻找恒星亮度暂时下降的原因，这可能是一颗行星在恒星圆盘前交叉造成的。

但根据美国宇航局的一份声明，并非所有这样的调光都是由系外行星引起的，科学家们不得不遵循复杂的程序来区分假阳性和真阳性。

ExoMiner，是一种所谓的神经网络，一种人工智能算法，当输入足够多的数据时，它可以学习和提高自己的能力。

开普勒产生了大量的数据:在使用不到10年的时间里，望远镜发现了成千上万颗候选行星，其中近3000颗已经被证实。

这是目前已知的总共4569颗系外行星中的绝大多数。

对于每一颗候选系外行星，科学家们仔细研究开普勒数据，会观察光线曲线，并计算出这颗行星似乎覆盖了恒星的多大部分。

他们还将分析这颗潜在行星穿过恒星盘面需要多长时间。

在某些情况下，观察到的亮度变化不太可能用一颗运行的系外行星来解释。

ExoMiner算法遵循完全相同的过程，但效率更高，这使得研究人员能够一次将一批301颗以前未知的系外行星添加到开普勒行星目录中。

美国宇航局艾姆斯研究中心大学太空研究协会的ExoMiner项目负责人和机器学习经理Hamed Valizadegan在声明中说:“当ExoMiner说某个东西是一颗行星时，你可以确定它就是一颗行星。

“ExoMiner的准确性很高，在某些方面比现有的机器分类器和它要模拟的人类专家都更可靠，因为人类标签会带来偏见。

既然 ExoMiner 证明了自己的技能，98迷科，科学家们正在寻求使用它来帮助筛选来自其它现有和即将进行的系外行星搜索任务的数据，例如美国宇航局当前的凌日系外行星调查卫星(TESS) 或欧洲航天局的行星凌日和恒星振荡(PLATO) 任务将于 2026 年启动。

不幸的是，新确认的系外行星中没有一个可能是生命存在的候选者，因为它们位于母星的宜居带之外。