1

华威大学科学家开发了一种新的机器学习算法确认了50颗潜在行星。

天文学家第一次使用了一种基于机器学习（一种人工智能）的程序来分析潜在行星的样本，并确定哪些是真实的，哪些是“假的”，计算每个候选行星成为真实行星的概率。

他们的结果发表在《皇家天文学会月报》上的一项新研究中，还首次对这种行星验证技术进行了大规模比较。他们的结论为使用多种验证技术，包括机器学习算法，从数据上证实了未来系外行星的发现。

许多系外行星调查都是从望远镜获取的大量数据中寻找行星在望远镜和恒星之间经过的迹象，这被称为凌日。这就导致了望远镜探测到的恒星光线的倾斜，但它也可能是由双星系统、背景物体的干扰，甚至是相机的微小误差造成的。这些误报可以在行星验证过程中被筛选出来。

华威大学物理系和计算机科学系以及艾伦·图灵学院的研究人员建立了一种基于机器学习的算法，该算法可以在NASA的开普勒和TESS等望远镜任务发现的数千个候选行星的大样本中区分出真实的行星和虚假的行星。

该算法接受了识别真实行星的训练，使用了两大已确认的行星样本和现已退役的开普勒任务的误报。然后，研究人员在开普勒尚未确认的候选行星数据集上使用了该算法，产生了50个新确认的行星，这是第一个需要通过机器学习验证的行星。以前的机器学习技术只对候选行星进行排序，但从未自行确定候选行星是否是真正行星的概率，而这是行星验证的必要步骤。

这50颗行星大小不等，有海王星那么大，也有比地球还小的行星，它们的轨道运行时间从200天到一天不等。通过确认这50颗行星是真实存在的，天文学家现在可以用专门的望远镜对这些行星进行优先级的观察。

华威大学物理系的大卫·阿姆斯特朗博士说:“我们开发的算法可以让我们对50个候选行星进行验证，并将它们升级为真正的行星。我们希望将这项技术应用于当前和未来的TESS和PLATO等任务中的大量候选样本。”

“就行星验证而言，之前没有人使用过机器学习技术。机器学习已经被用于对候选行星进行排名，但从来没有在概率框架中使用过，而概率框架是你真正验证一颗行星所需要的。我们现在可以说出精确的统计可能性，而不是说哪些候选者更有可能是行星。如果一个候选行星的误报概率小于1%，它就被认为是经过验证的行星。”

华威大学计算机科学系、图灵·艾伦研究所所数据中心工程副主任、图灵研究员Theo Damoulas博士说:“概率统计机器学习方法尤其适合天体物理学中这样一个激动人心的问题，需要整合先前的知识从像阿姆斯特朗这样的专家和量化预测的不确定性。一个典型的例子，当额外的复杂计算的概率方法取得显著回报。

一旦建立和训练好，该算法比现有的技术更快，而且可以完全自动化，这使得它非常适合分析在当前调查中观察到的潜在的数千个候选行星，比如TESS。研究人员认为，它应该是未来用来验证行星的工具之一。

阿姆斯特朗博士补充说:“迄今为止，几乎30%的已知行星仅用一种方法就被验证了，这并不理想。仅仅因为这个原因，开发新的验证方法是可取的。但机器学习也能让我们做得非常快，更快地对候选行星进行优先排序。我们仍然需要花时间来训练算法，但一旦训练完成，在未来的候选人中应用它就会变得容易得多。你也可以结合新的发现来逐步改进它。像TESS这样的调查预计会有成千上万的行星候选者，能够一致地分析它们是最理想的。像这样快速、自动化的系统可以让我们用更少的步骤验证行星，让我们做得更有效率。”

编译/前瞻经济学人APP资讯组

原文来源：

https://phys.org/news/2020-08-planets-machine.html

https://academic.oup.com/mnras/advance-article-abstract/doi/10.1093/mnras/staa2498/5894933?redirectedFrom=fulltext