已被證實！50顆新行星！這個新的人工智能很給力！

這種方法可以節省天文學家在宇宙中尋找生命的大量時間。

簡介：華威大學最近使用一種AI算法，通過大數據學習使AI可以在觀測時即時識別行星淩日信號，自動識別出系外行星，目前使用這套算法已經發現了50顆新的系外行星。

1995年，當天文學家Aleksander Wolszczan和Dale Frail正在觀察一個遙遠的脈沖星時，他們注意到它的脈沖光的信號頻率似乎跳過了一個節拍。

這個偏離節奏的脈沖光使得第一顆系外行星——名為飛馬座51b被發現。從那之後，尋找圍繞太陽以外的恒星運行的不尋常的且遙遠的星球(像地球的)的行業開始蓬勃發展，而且迄今為止，有超過4000顆系外行星得到證實。

伴隨著正在宇宙中進行搜尋的太空任務，這項研究仍在繼續。為了加快這一進程，一個天文學家團隊提出了一種新的機器學習算法。這個算法可以排除誤報，確認真正的系外行星。

在人工智能系統的幫助下，來自華威大學的天文學家團隊確認了 50 顆新行星的存在。

這項新技術在本周發表在《皇家天文學會月報》上的一項研究中有詳細介紹。

美國宇航局的開普勒任務最近發現的一些系外行星的例子。NASA/Ames/JPL-Caltech

正在進行的系外行星發掘任務背後的兩個主要任務是美國宇航局的開普勒任務和淩日系外行星調查衛星(TESS)任務。開普勒望遠鏡對恒星進行近景拍攝，看看是否有行星在宜居區內運行，而TESS則調查天空中20萬顆最亮的恒星。

當一顆行星在其主恒星前淩日時，它會導致恒星的光線輕微下降。系外行星獵人尋找這一下降作為一個線索，表面可能有一個行星正圍繞該恒星公轉。但是在最初的探測之後，天文學家需要確認引起了光線的變化的實際上是一顆行星。

有超過3000個這樣的信號等待被確認為行星，而不是錯檢。

大衛·阿姆斯特朗是華威大學物理系的教授，也是這項新研究背後的主要發起者，他想編譯一種有助於天文學家更快地篩選這些數據的算法，。

“我們想開發這個算法來處理正在進行的任務。”阿姆斯特朗告訴天文在線，“這比以前更加快捷，並且我們可以把他運用到更多的候選行星”

研究人員通過輸入大量已確認的行星和誤報來訓練該算法來區分行星的真實與否。通過與數據庫中的數據對比，機器學習系統學會了如何區分這兩類。

然後，研究人員們在數千顆未經確認的行星的數據集中使用了該算法，其中包括美國宇航局開普勒計劃中搜尋到的那些行星。

該算法能夠從數據集中確認50顆新行星。這些行星是尺寸在海王星大小到與地球相近的巨星，它們的軌道從一天到200天不等。

阿姆斯壯（Armstrong）說：“我們所做的與其他機器學習技術的不同之處在於，我們試圖基於概率確認哪些是在統計上可能是行星的新行星，而不是僅僅對它們進行排序。”

以前的機器學習算法會根據系外行星成為行星的可能性進行排序，但這個新的算法系統決定每顆新行星本身成為一顆行星的概率。

“輸出的50個新行星超過了判斷是行星的概率為99%的閾值。”阿姆斯特朗說，“這些都是越過了這條線的行星。”

隨著系外行星的新發現的繼續，研究人員將繼續為算法系統提供更多的候選行星，並且它將逐步提高其技能。我們越快地從虛假的行星中確認真實的行星，就能越快地在宇宙中追蹤這些行星並探尋可居住性。

摘要：迄今為止，已知的∼4000顆系外行星中超過30%的已經通過“驗證”被發現，其中計算了由錯檢(FP：把非行星當作行星情況)引起的非行星情景的統計可能性。對於絕大多數經過驗證的行星，計算是使用vespa（開源大數據服務引擎）計算程序進行(Morton碼或其他算法。2016年)。

不管vespa的優勢和劣勢如何，我們都非常希望已知行星的目錄不依賴於單一的方法。我們演示了如何使用機器學習算法，特別是由其他模型增強的高斯過程分類器(GPC)高斯過程分類器（GPC），執行包括可能FP場景的先驗概率的概率行星驗證。

當在開普勒閾值跨越事件(TCE)目錄中將已確認的行星與錯檢情況（FPs）分離時，GPC可以獲得每個樣本的平均對數損失為0.54。一旦計算出了適用的審查指標，我們的模型可以在幾秒鐘內驗證數千個看不見的候選對象。並且它可以適應於與活躍淩日外行星勘測衛星（TESS）任務協作，其中大量的觀測到的目標需要使用自動化算法。

我們討論了這種方法的局限性和注意事項，並在考慮了可能的失效模式後，重新驗證了關於行星的50個開普勒候選對象，通過使用vespa的最新的恒星信息確認驗證它們來進行合理性檢驗。關於與vespa的差異導致許多其他候選行星出現，這通常對解決我們模型有利。考慮到這些問題，在完全理解差異之前，我們提醒大家不要使用這兩種方法的單方法進行行星驗證。

BY: inverse

如有相關內容侵權，請在作品發布後聯系作者刪除

轉載還請取得授權，並注意保持完整性和注明出處