这种方法可以节省天文学家在宇宙中寻找生命的大量时间。
简介：华威大学最近使用一种AI算法，通过大数据学习使AI可以在观测时即时识别行星凌日信号，自动识别出系外行星，目前使用这套算法已经发现了50颗新的系外行星。
1995年，当天文学家Aleksander Wolszczan和Dale Frail正在观察一个遥远的脉冲星时，他们注意到它的脉冲光的信号频率似乎跳过了一个节拍。
这个偏离节奏的脉冲光使得第一颗系外行星——名为飞马座51b被发现。从那之后，寻找围绕太阳以外的恒星运行的不寻常的且遥远的星球(像地球的)的行业开始蓬勃发展，而且迄今为止，有超过4000颗系外行星得到证实。
伴随着正在宇宙中进行搜寻的太空任务，这项研究仍在继续。为了加快这一进程，一个天文学家团队提出了一种新的机器学习算法。这个算法可以排除误报，确认真正的系外行星。
在人工智能系统的帮助下，来自华威大学的天文学家团队确认了 50 颗新行星的存在。
这项新技术在本周发表在《皇家天文学会月报》上的一项研究中有详细介绍。
美国宇航局的开普勒任务最近发现的一些系外行星的例子。NASA/Ames/JPL-Caltech
正在进行的系外行星发掘任务背后的两个主要任务是美国宇航局的开普勒任务和凌日系外行星调查卫星(TESS)任务。开普勒望远镜对恒星进行近景拍摄，看看是否有行星在宜居区内运行，而TESS则调查天空中20万颗最亮的恒星。
当一颗行星在其主恒星前凌日时，它会导致恒星的光线轻微下降。系外行星猎人寻找这一下降作为一个线索，表面可能有一个行星正围绕该恒星公转。但是在最初的探测之后，天文学家需要确认引起了光线的变化的实际上是一颗行星。
有超过3000个这样的信号等待被确认为行星，而不是错检。
大卫·阿姆斯特朗是华威大学物理系的教授，也是这项新研究背后的主要发起者，他想编译一种有助于天文学家更快地筛选这些数据的算法，。
“我们想开发这个算法来处理正在进行的任务。”阿姆斯特朗告诉天文在线，“这比以前更加快捷，并且我们可以把他运用到更多的候选行星”
研究人员通过输入大量已确认的行星和误报来训练该算法来区分行星的真实与否。通过与数据库中的数据对比，机器学习系统学会了如何区分这两类。
然后，研究人员们在数千颗未经确认的行星的数据集中使用了该算法，其中包括美国宇航局开普勒计划中搜寻到的那些行星。
该算法能够从数据集中确认50颗新行星。这些行星是尺寸在海王星大小到与地球相近的巨星，它们的轨道从一天到200天不等。
阿姆斯壮（Armstrong）说：“我们所做的与其他机器学习技术的不同之处在于，我们试图基于概率确认哪些是在统计上可能是行星的新行星，而不是仅仅对它们进行排序。”
以前的机器学习算法会根据系外行星成为行星的可能性进行排序，但这个新的算法系统决定每颗新行星本身成为一颗行星的概率。
“输出的50个新行星超过了判断是行星的概率为99%的阈值。”阿姆斯特朗说，“这些都是越过了这条线的行星。”
随着系外行星的新发现的继续，研究人员将继续为算法系统提供更多的候选行星，并且它将逐步提高其技能。我们越快地从虚假的行星中确认真实的行星，就能越快地在宇宙中追踪这些行星并探寻可居住性。
摘要：迄今为止，已知的∼4000颗系外行星中超过30%的已经通过“验证”被发现，其中计算了由错检(FP：把非行星当作行星情况)引起的非行星情景的统计可能性。对于绝大多数经过验证的行星，计算是使用vespa（开源大数据服务引擎）计算程序进行(Morton码或其他算法。2016年)。
不管vespa的优势和劣势如何，我们都非常希望已知行星的目录不依赖于单一的方法。我们演示了如何使用机器学习算法，特别是由其他模型增强的高斯过程分类器(GPC)高斯过程分类器（GPC），执行包括可能FP场景的先验概率的概率行星验证。
当在开普勒阈值跨越事件(TCE)目录中将已确认的行星与错检情况（FPs）分离时，GPC可以获得每个样本的平均对数损失为0.54。一旦计算出了适用的审查指标，我们的模型可以在几秒钟内验证数千个看不见的候选对象。并且它可以适应于与活跃凌日外行星勘测卫星（TESS）任务协作，其中大量的观测到的目标需要使用自动化算法。
我们讨论了这种方法的局限性和注意事项，并在考虑了可能的失效模式后，重新验证了关于行星的50个开普勒候选对象，通过使用vespa的最新的恒星信息确认验证它们来进行合理性检验。关于与vespa的差异导致许多其他候选行星出现，这通常对解决我们模型有利。考虑到这些问题，在完全理解差异之前，我们提醒大家不要使用这两种方法的单方法进行行星验证。
BY: inverse
如有相关内容侵权，请在作品发布后联系作者删除
转载还请取得授权，并注意保持完整性和注明出处
