近日，由中国科学院上海天文台葛健教授带领的国际团队创新了一种结合GPU相位折叠和卷积神经网络的深度学习算法，并成功在开普勒（Kepler）2017年释放的恒星测光数据中发现了五颗直径小于地球、轨道周期短于1天的超短周期行星，其中四颗是迄今为止发现的距其主星最近的最小行星，类似火星大小。

  这是天文学家首次利用人工智能一次性完成搜寻疑似信号和识别真信号的任务，相关研究成果发表在国际天文学期刊《皇家天文学会月报》（MNRAS）上。

  超短周期系外行星于2011年在Kepler测光数据中首次被发现，这给行星形成理论带来了独特的机遇和挑战，促使科学家重新审视和完善现有的行星系统形成和演化模型。

  但超短周期行星在类太阳恒星的发生率很低，只有大约0.5%，通常半径小于2倍地球半径，或在超热木星的情况下，大于10倍地球半径。到目前为止，总共只找到了145颗超短周期行星，其中只有30颗半径小于地球半径。

  “本次工作的真正起始时间是2015年，当年的人工智能AlphaGo刚取得了重大突破，打败了围棋界的职业高手。我受佛罗里达大学计算机系同事李晓林教授的激励和启发，决定试图把人工智能的深度学习应用在Kepler释放的测光数据中，寻找Kepler使用传统方法没能找到的微弱凌星信号。”葛健说。

  经过多年的努力和创新，葛健团队成功开发了结合GPU相位折叠和卷积神经网络的深度学习的新算法（GPFC）。该算法比国际上流行的BLS法搜寻速度提高了约15倍，检测准确度和完备度各提高约7%，显著提高了凌星信号搜索速度、精度和完备度。

  通过新算法，研究团队在Kepler的数据集中识别出五颗新的超短周期行星：Kepler-158d、Kepler-963c、Kepler-879c、Kepler-1489c和Kepler-2003b。其中，Kepler-879c、Kepler-158d、Kepler-1489c和Kepler-963c分别位列迄今为止发现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，其轨道半径在5个恒星半径以内，展现了新的算法在搜寻微弱凌星信号的优势。