圖說：藝術想象圖。新發現的類似火星大小的超短周期系外行星。由于離主星非常近，行星不光表面溫度很高，而且潮汐力會擠壓行星內部和表面產生很多火山噴發。制圖/石琰

訊（記者 郜陽）記者從中國科學院上海天文臺獲悉，近日，由該臺葛健教授帶領的國際團隊創新了一種結合GPU相位折疊和卷積神經網絡的深度學習算法，并成功在開普勒（Kepler）2017年釋放的恒星測光數據中發現了五顆直徑小于地球、軌道周期短于1天的超短周期行星，其中四顆是迄今為止發現的距其主星最近的最小行星，類似火星大小。

這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。相關研究成果發表在國際天文學期刊《皇家天文學會月報》（MNRAS）上。

經過5年的努力和創新，研究團隊成功開發了結合GPU相位折疊和卷積神經網絡的深度學習的新算法（GPFC）。該算法比國際上流行的BLS法搜尋速度提高了約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。

圖說：已知行星半徑和行星軌道半長軸分布以及五個新發現的超短周期行星（紅點） 來源/上海天文臺

這一算法已成功應用在Kepler的數據集中，并識別出五顆新的超短周期行星：Kepler-158d、Kepler-963c、Kepler-879c、Kepler-1489c和Kepler-2003b。其中，Kepler-879c、Kepler-158d、Kepler-1489c和Kepler-963c分別位列迄今為止發現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，其軌道半徑在5個恒星半徑以內，展現了新的算法在搜尋微弱凌星信號的優勢。

這些超短周期行星的存在為行星系統的早期演化、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）研究提供重要線索，對行星形成理論研究有重大意義。

“本次工作的突破性發現是人工智能在天文大數據領域應用的又一個里程碑，要想使用人工智能在海量的天文數據中‘挖’到極其稀少的新發現，就需要發展創新的人工智能算法，同時需要依據新發現現象的物理圖像特征生成的大量的人工數據集做訓練，使之能快速、準確、完備地探尋到這些很難在傳統方式下找到的稀少而微弱的信號。”葛健表示。