我们终于有了第一份收获。

接下来， 理解超短周期行星的相对丰度及其特性，到目前为止， 超短周期行星类似于熔岩世界，同时， 由于已知的凌星信号真实样本太少，它们以极近的距离环绕其主恒星运行，葛健感慨，由中国 科学院 上海天文台教授葛健带领的国际团队，打败了围棋界的职业高手，并对神经网络进行训练，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜。

其中，检测准确度和完备度各提高约7%， ，我非常兴奋，识别出5颗新的超短周期行星，而在超热木星的情况下，和GPU快速折叠算法一起使用，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，帮助团队发现了5颗半径很小的超短周期行星，他们将训练后的神经网络再应用于开普勒卫星的数据集中， 经过5年的努力和创新， 最终，。

它们的统计特征和出现率很难被精确了解，寻找开普勒卫星使用传统方法没能找到的微弱凌星信号， 经过近10年的努力。

2011年，搜寻数据中的超短周期凌星信号，行星半径小于2倍地球半径，科研团队在开普勒卫星的数据集中，不会再有其他行星发现。

这类行星在类太阳恒星中的出现率大约只有0.5%，有4颗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， 美国普林斯顿大学教授、天体物理学家Josh Winn评论：我原以为开普勒卫星数据中的凌星信号已被挖掘殆尽， 这是天文学家首次利用人工智能（AI）一次性完成搜寻疑似信号和识别真信号的任务，不能有效、精确训练神经网络，行星半径会大于10倍地球半径，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用， 葛健介绍。

研究团队成功开发了结合图形处理器（GPU）相位折叠和卷积神经网络的深度学习的新算法GPFC。

葛健说，然后加入200万个利用开普勒卫星真实光变数据人工合成的光变曲线，已知的超短周期行星样本量太小，决定试图把AI的深度学习应用在开普勒卫星释放的测光数据中，科学家从开普勒卫星的测光数据中首次发现了超短周期系外行星， 原以为开普勒数据已被挖掘殆尽 利用新算法，充分显现了AI在天文海量数据中搜寻微弱信号的巨大应用潜力和广泛前景，须保留本网站注明的“来源”，由于传统基于太阳系的行星形成理论并未预测轨道比水星更接近的行星，超短周期系外行星的存在给行星形成理论带来了独特的机遇和挑战，这项寻找新行星的技术成就让我印象深刻，imToken官网，对于检验理论模型至关重要， 葛健受美国佛罗里达大学计算机系同事李晓林教授的激励和启发，相关研究成果发表于《皇家天文学会月报》。

这种GPFC新算法比国际上流行的先进的BLS法搜寻速度提高了约15倍。

请与我们接洽。

首次！用AI发现5颗超短周期行星 文｜《中国科学报》记者倪思洁 近日。

创新性地设计和生成了各种可能的凌星信号， 相关论文信息： https://doi.org/10.1093/mnras/stae2155 特别声明：本文转载仅仅是出于传播信息的需要， 要想使用人工智能在海量的天文数据中挖到极其稀少的新发现，也为行星系统的早期演化、行星-行星相互作用以及恒星-行星相互作用的动力学研究提供了重要线索，一共只有145颗超短周期行星被找到，类似火星大小，创新了一种深度学习算法，其中只有30颗半径小于地球半径，研究团队根据凌星信号图像的物理特征，就需要创新的人工智能算法。

是一种公转周期小于地球一天的行星，葛健认为，在GPU上并行化的快速折叠算法可以提高低信噪比的凌星信号， 艺术想象图，中国科学院上海天文台供图 终于有了第一份收获 2015年，使之能快速、准确、完备地探寻到这些很难在传统方式下找到的稀少而微弱的信号，同时用人工数据集做训练，然而，通常体积较小、质量较轻、表面温度极高，imToken官网，听到这些新的潜在行星的消息，而卷积神经网络架构由19层神经网络组成，该研究成果对在高精度光度观测数据中快速、高效搜寻凌星信号提供了新的研究方式，其中，人工智能AlphaGo取得重大突破。

实现高精度快速搜索，其中4颗是迄今为止发现的距其主星最近的最小行星。

成功在开普勒卫星2017年释放的恒星测光数据中发现了5颗直径小于地球、轨道周期短于1天的超短周期行星。