第壹财经14日从中国科学院上海天文台获悉，最近，由中国科学院上海天文台葛健教授率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。

　　这是天文学家第壹次利用 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。

　　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发生很多火山喷发。来源：上海天文台

　　据研究团队介绍，经过5年的努力和创新，研究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%，明显提高了凌星信号搜索速度、精度和完备度。

　　葛健表示：“本次工作的真正起始时间是2015年，当年的 人工智能 AlphaGo刚获得了重大突破，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。”

　　他说，幸运的是经过了近十年的努力，终于有了第壹份收获，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。

　　普林斯顿大学天体物理学家Josh Winn教授评论说，“超短周期行星，或称 ‘熔岩世界’，是我最喜欢的系外行星类型之一。它们拥有极其极端和出乎意料的特性，为我们理解行星轨道如何随时间变化提供线索。我原以为开普勒数据中的凌星信号已经被 ‘挖掘殆尽’，不会再有其它行星发现，听到这些新的潜在行星的消息让我非常兴奋，这项寻找新行星的技术成就让我印象深刻。”