科技
利用人工智能搜尋識別 天文學家發(fā)現(xiàn)類太陽恒星周圍最近最小行星
2024/10/14 21:27 來源：中國新聞網(wǎng) 閱讀：1.4萬
中新網(wǎng)北京10月14日電 (記者 孫自法 鄭瑩瑩)自從超短周期系外行星于2011年在開普勒(Kepler)太空望遠鏡測光數(shù)據(jù)中首次被發(fā)現(xiàn)以來，這些新發(fā)現(xiàn)給行星形成理論帶來獨特機遇和挑戰(zhàn),，也促使天文學家重新審視和完善現(xiàn)有的行星系統(tǒng)形成和演化模型,，相關研究進展備受關注。
來自中國科學院的最新消息說,，中國科學院上海天文臺葛健研究員帶領的國際團隊創(chuàng)新一種深度學習算法,，在開普勒太空望遠鏡2017年釋放的恒星測光數(shù)據(jù)中，研究發(fā)現(xiàn)5顆直徑小于地球,、軌道周期短于1天的超短周期行星,，其中4顆是迄今發(fā)現(xiàn)的距其類太陽主星最近的最小行星，大小類似火星,。
這項重要天文研究成果,，是天文學家首次利用人工智能一次性完成搜尋疑似信號和識別真信號的任務，成果論文近日在國際專業(yè)學術期刊《皇家天文學會月報》上發(fā)表,。
新算法有哪些優(yōu)勢
葛健介紹說,，經(jīng)過持續(xù)努力和創(chuàng)新，研究團隊成功開發(fā)出結(jié)合圖形處理器(GPU)相位折疊和卷積神經(jīng)網(wǎng)絡的深度學習的新算法,。該算法比目前國際上流行算法搜尋速度提高約15倍,，檢測準確度和完備度各提高約7%，顯著提高了凌星信號搜索速度,、精度和完備度,，展現(xiàn)出新的深度學習算法在搜尋微弱凌星信號的優(yōu)勢。
本次研究中,，新算法成功應用于開普勒太空望遠鏡數(shù)據(jù)集中,，并識別出編號分別為Kepler—158d、Kepler—963c,、Kepler—879c,、Kepler—1489c和Kepler—2003b這5顆新的超短周期行星。
其中,，Kepler—879c,、Kepler—158d、Kepler—1489c和Kepler—963c,，在迄今發(fā)現(xiàn)的最小超短周期行星中,，分別位列第一、第二,、第三和第五,；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(nèi),。
成果有何重要意義
研究團隊認為，最新研究發(fā)現(xiàn)的火星大小的行星提供了更加多樣化的系外行星樣本,，為理解超短周期行星形成機制提供新線索,。這些超短周期行星的存在，為行星系統(tǒng)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)研究奠定重要基礎,，對行星形成理論研究有重大意義。
該研究成果還為在高精度光度觀測數(shù)據(jù)中快速,、高效搜尋凌星信號提供新的研究方式,，也充分顯現(xiàn)人工智能在天文海量數(shù)據(jù)中探尋微弱信號的廣泛應用潛力和前景。
葛健表示,，本次研究工作的突破性發(fā)現(xiàn)是人工智能在天文大數(shù)據(jù)領域應用的一個里程碑,，要想使用人工智能在海量的天文數(shù)據(jù)中“挖”到極其稀少的新發(fā)現(xiàn)，就需要發(fā)展創(chuàng)新的人工智能算法,。同時,，需要依據(jù)新發(fā)現(xiàn)現(xiàn)象的物理圖像特征生成的大量的人工數(shù)據(jù)集做訓練，使之能快速,、準確,、完備地探尋到這些很難在傳統(tǒng)方式下找到的稀少而微弱的信號。
普林斯頓大學天體物理學家喬什·溫(Josh Winn)教授評論稱,，超短周期行星(或稱“熔巖世界”)擁有極其極端和出乎意料的特性,，為人們理解行星軌道如何隨時間變化提供線索。他原以為開普勒數(shù)據(jù)中的凌星信號已經(jīng)被“挖掘殆盡”,，不會再有其他行星發(fā)現(xiàn),，聽到這些新的潛在行星的消息非常興奮，并對這項尋找新行星的技術成就印象深刻,。
人工智能如何助力
研究團隊指出,，超短周期行星在類太陽恒星的發(fā)生率很低，只有大約0.5%,，通常半徑小于2倍地球半徑,，或在超熱木星的情況下，大于10倍地球半徑,。到目前為止,，天文學家總共只找到145顆超短周期行星，其中只有30顆半徑小于地球半徑,。
理解超短周期行星的相對豐度及其特性對于檢驗理論模型至關重要,。然而，已知的超短周期行星樣本量太小,，它們的統(tǒng)計特征和出現(xiàn)率很難精確了解,。
葛健說,，這次研究工作真正起始時間是2015年，當年的人工智能AlphaGo剛?cè)〉么驍褰缏殬I(yè)高手的重大突破,。他受佛羅里達大學計算機系同事李曉林教授的激勵和啟發(fā)，決定試圖把人工智能的深度學習應用在開普勒太空望遠鏡釋放的測光數(shù)據(jù)中,，尋找使用傳統(tǒng)方法沒能找到的微弱凌星信號,。“幸運的是經(jīng)過近10年的努力,，我們終于有了第一份收獲”,。
本項研究設計的在GPU上并行化的快速折疊算法，可以提高低信噪比的凌星信號,，從而實現(xiàn)高精度快速搜索,。該算法中的卷積神經(jīng)網(wǎng)絡架構(gòu)由19層神經(jīng)網(wǎng)絡組成，但由于已知的凌星信號真實樣本太少,，沒法有效,、精確訓練神經(jīng)網(wǎng)絡。
基于此,，研究團隊根據(jù)凌星信號圖像的物理特征創(chuàng)新設計和生成各種可能的凌星信號,，然后在加入200萬個利用開普勒太空望遠鏡真實光變數(shù)據(jù)人工合成的光變曲線上進行訓練。訓練后的神經(jīng)網(wǎng)絡再應用在開普勒太空望遠鏡的數(shù)據(jù)集中,，并和GPU快速折疊算法一起使用搜尋數(shù)據(jù)中的超短周期凌星信號,，最終幫助團隊發(fā)現(xiàn)5顆半徑很小的超短周期系外行星。(完)