利用人工智能技术发现远星的第八行星

　　原文标题：Arecibo Radar Returns with Asteroid Phaethon Images
　　作者：DC Agle / Dwayne Brown / Suraiya Farukhi   原文来自：NASA   Posted: 2017. 12. 14
　　编译：Melipal  审校：Linq（编译版权所有，未经许可请勿转载）
　　最近，研究者在距离地球2545光年的类太阳恒星——开普勒-90周围发现了第8颗环绕其运行的行星，这样它与我们的太阳系一道成为了拥有行星数量最多的单星系统。这颗行星是在NASA开普勒空间望远镜的数据中发现的。

　　凭借第8颗行星的发现，开普勒-90系统成为第一个在行星数量方面与太阳系紧密相连的行星系。（图片提供：NASA/Wendy Stenzel）
　　新发现的开普勒-90i是一颗炙热的岩石行星，每14.4日环绕主星运行一周。它是使用谷歌公司开发的机器学习技术发现的。机器学习是人工智能的一种实现手段，是让计算机“学习”的方法。在这个例子中，开普勒望远镜记录下了太阳系以外其他行星（系外行星）的信号，而计算机学会了在开普勒的数据实例中鉴别行星。
　　华盛顿NASA天体物理学分部的负责人保罗·赫兹（Paul Hertz）说：“正如我们所预料的那样，在开普勒数据存档中潜藏着激动人心的发现，正等待着合适的工具或技术将它们挖掘出来。这一发现说明，对于未来的创新研究者而言，我们的数据将是一座藏宝库。”
　　在研究者克里斯托弗·沙鲁（Christopher Shallue）与安德鲁·范登堡（Andrew Vanderburg）训练一台计算机学习如何从开普勒记录的光度数据中鉴别系外行星之后，这个发现问世了。开普勒观测的是行星从主星前方通过（凌星）时导致的亮度微小变化。这种人工的“神经网络”是受人脑神经元连接方式启发而设计的，它筛选了开普勒的数据，并在天龙座的开普勒-90周围发现了先前被忽略的第八行星微弱的凌星信号。
　　机器学习技术先前也曾经被用于开普勒数据库的搜寻，不过这项研究说明，神经网络是发现某些遥远星球最微弱信号的有前途的工具。
　　其他的行星系可能比开普勒-90更可能存在生命。开普勒-90i比地球大约大上30%，它距离主星过近，因此其地表平均温度据信超过了800度，堪与水星比肩。它距离恒星最远的行星——开普勒-90h与主星的距离与日地间距大致相当。
　　来自加州大学奥斯汀（Austin）分校的天文学家、NASA的萨根冠名博士后范登堡说：“开普勒-90行星系就像是我们太阳系的迷你版。这里也是小型行星在内，大型行星在外，但它们都被挤在一起，彼此靠得更近。”
　　谷歌公司谷歌AI研究小组的资深软件工程师沙鲁想到了将神经网络用于开普勒数据的念头。当他得知天文学与科学的其他分支一样，正在因为天体数据采集技术的进步而淹没于数据洪流之中后，他开始对系外行星的发现产生了兴趣。
　　沙鲁说：“在我的业余时间，我开始搜索‘借助大数据集发现系外行星’，发现了开普勒计划以及可以利用的海量数据。在数据量过大，人工搜索不再胜任的情况下，机器学习着实是一条出路。”
　　开普勒望远镜在4年间积累下的数据中存在35000个可能的行星信号。自动检验（有时还有人工参与）被用于证认数据中最有可能的信号。然而这些方法经常会错过最微弱的信号。沙鲁与范登堡认为，在数据中可能隐隐潜藏着最有趣的系外行星发现。
　　首先，他们使用开普勒系外行星列表中15000个先前已被审查过的信号来训练神经网络鉴别凌星系外行星。在测试数据中，神经网络成功鉴别行星与虚假信号的比例达到了96%。随后由于神经网络已经“学会”了如何探测凌星系外行星的特征，研究者让他们的模型去搜索670个已知拥有多颗行星的恒星系统中较弱的信号。他们的假设是，多行星系统是最适宜搜索更多系外行星的地方。
　　范登堡说：“我们遇到了很多虚假的行星信号，但也有更多真正可能存在的行星。这就好像筛查岩石来找寻宝石一样。如果你的筛子更细密，那么你就会留下更多的岩石，但同时也会保住更多的宝石。”
　　开普勒-90i并非神经网络筛出的唯一一块宝石。他们还发现了开普勒-80系统的第6颗行星。这颗行星，也就是尺度与地球相当的开普勒-80g与4颗邻近行星组成了一条所谓的共振链，其中的行星由它们共同的引力锁定，跳起了规律的轨道舞蹈。由此带来的结果就是一个极其稳定的系统，与TRAPPIST-1七行星系统类似。
　　描述这些发现的研究论文已被《天文学报》接收，准备出版。沙鲁与范登堡计划将神经网络应用到开普勒观测到的所有150000余颗恒星上。
　　开普勒为系外行星的搜索记录下了体量空前的数据。这架望远镜在花费4年时间凝视一小片天区之后，已经进入了扩展任务，每80天切换一次视场。
　　来自加州硅谷地区NASA艾姆斯（Ames）研究中心的开普勒项目科学家杰西·多森（Jessie Dotson）说：“这些结果证明了开普勒望远镜持久的价值。考察数据的新方法，如这次将机器学习算法用于研究的早期尝试，将持续为我们对系外行星系统的认知带来显著的进步。我确信，数据中还有更多的第一等待人们去挖掘。”
　　艾姆斯中心为华盛顿的NASA科学任务理事会管理着开普勒与K2计划。加州帕萨迪那（Pasadena）的NASA喷气推进实验室管理着开普勒望远镜的开发。波尔（Ball）航天技术公司在科罗拉多大学玻尔得（Boulder）分校大气与空间物理实验室的支持下控制着望远镜的飞行系统。这项工作是在NASA系外行星科学研究所推行的卡尔·萨根博士后项目赞助下完成的。
　　更多关于本次发现的信息请访问：https://www.nasa.gov/mediaresources。
　　更多关于开普勒望远镜的信息请访问：https://www.nasa.gov/kepler。
　　（全文完）