新的深度学习方法在开普勒的总数中增加了 301 颗行星

科学家们最近在系外行星总数中增加了 301 颗新验证的大型系外行星。 行星人群是最新加入的 4,569 颗行星，这些行星已经过验证并围绕大量遥远的恒星运行。 科学家们是如何发现如此多的行星的，而且显然是一次发现的？ 答案在于一个名为 ExoMiner 的新型深度神经网络。

深度神经网络是机器学习方法，可在给定足够数据时自动学习任务。 ExoMiner 是一种新的深度神经网络，它利用了 NASA 的超级计算机昴宿星团，可以将真正的系外行星与不同类型的骗子或“误报”区分开来。 它的设计灵感来自人类专家用来确认新系外行星的许多测试和特征。 它使用先前确认的系外行星和误报进行学习。

ExoMiner 使专业人员能够梳理数据并破译什么是行星，什么不是。 具体来说，是由 NASA 的开普勒航天器和 K2 收集的数据，它的后续任务。 对于像开普勒这样的任务，视野中有数千颗恒星，每颗恒星都有可能容纳几个潜在的系外行星，深入研究海量数据集是一项耗时的任务。 ExoMiner 解决了这个难题。

美国宇航局位于加利福尼亚硅谷的艾姆斯研究中心的系外行星科学家约翰詹金斯说。 “我们可以轻松解释数据中导致 ExoMiner 拒绝或确认行星的特征。”

确认和认证有什么区别？ 系外行星? 当各种观测技术揭示了只能由行星解释的特征时，行星就被“确认”了。 使用统计数据“验证”行星 – 这意味着根据数据它是行星的可能性或可​​能性。

在发表在一篇论文中 天体物理学杂志，艾姆斯的团队解释了 ExoMiner 301 如何发现 行星 使用来自开普勒档案中剩余的一组潜在或候选行星的数据。 所有 301 颗经过验证的行星都是通过开普勒科学运营中心管道自动发现的，并由开普勒科学办公室升级为行星候选状态。 但在 ExoMiner 之前，没有人能够验证它们是行星。

该论文还展示了 ExoMiner 如何在排除方面更加准确和一致 误报 以及更好地揭示围绕其母恒星运行的行星的真实特征的能力——同时让科学家能够详细了解导致 ExoMiner 得出结论的原因。

“当你说 ExoMiner 某物是一颗行星时，你可以肯定它是一颗行星，”埃姆斯大学空间研究联盟的 ExoMiner 项目负责人兼机器学习主管 Hamid Valizadegan 补充道。 “由于人类标签带来的偏见，ExoMiner 非常准确，并且在某些方面比当前的机器分类器和它应该模仿的人类专家更可靠。”

据信，新确认的行星中没有一颗与地球相似或位于其母恒星的宜居带内。 但它们的特征与银河系附近已确认系外行星的总数相似。

“这 301 个发现帮助我们更好地了解我们星座以外的行星和太阳系，以及是什么让我们的星球如此独特，”詹金斯说。

随着对更多系外行星的搜索继续进行——使用凌日光度测量的任务，如美国宇航局的凌日系外行星测量卫星，或 TESS，恒星的凌日和振荡行星任务，或 PLATO，ExoMiner 任务——它将有更多机会在这个级别，任务。

“现在我们已经用开普勒数据训练了 ExoMiner，通过一些微调，我们可以将学习转移到其他任务，包括我们目前正在处理的 TESS，”Valizadegan 说。 “有增长空间。”