发布时间
“未来已来,只是尚未普及。”——著名科幻作家威廉·吉布森。这句话揭示了人工智能(AI)如何改变天文学。它让寻找系外行星变得更加容易。人工智能算法正在实现对这些行星探测的自动化。这为我们了解太阳系外的行星打开了新的大门。
在过去十年中,有超过一百万颗恒星受到密切关注。其目的是找到从恒星前方穿过并遮挡部分光线的系外行星。这项艰巨的工作过去是由人来完成的。现在,人工智能和深度学习正在使其变得更快、更精确。
这些人工智能模型在海量数据中寻找模式。这有助于它们更好更快地找到系外行星。

关键精华
- 与传统的最小二乘方法相比,神经网络可以在嘈杂的时间序列数据中更准确地检测出类似地球的系外行星。
- 人工智能算法成功识别了新的系外行星候选者,包括开普勒-80 系统中的第六颗行星。
- 卷积神经网络是一种机器学习算法,可以非常高效地定位潜在的系外行星。
- 在望远镜中集成人工智能可以实现实时数据分析和系外行星的即时探测。
- 人工智能实施面临的挑战包括需要大量多样化的数据集,并确保将发现推广到新数据。
系外行星探测简介
几十年来,寻找系外行星一直令人兴奋。系外行星是指围绕其他恒星运行的行星。当行星凌日时,我们可以研究其大气层。迄今为止,利用开普勒等太空任务和地面观测,人们已经发现了超过4,300颗系外行星。但是,寻找小型、类地行星却十分困难。
探测类地系外行星的挑战
寻找类似地球的系外行星非常困难。行星经过时恒星亮度的变化非常小,对于像太阳这样的恒星来说,变化幅度约为百万分之 100。这种微小的变化通常会被恒星的自然变化所掩盖,因此很难发现这些行星。
传统方法:最小二乘优化和网格搜索
传统的系外行星探测方法使用最小二乘优化或网格搜索。这些方法试图将数据与简单的凌星模型进行匹配。但是,它们容易陷入局部最小值,导致错误的结果。为了改进,我们可以将数据分组。然而,找到适用于不同凌星形状的最佳滤波器却并非易事。
人们正在探索新方法,例如使用神经网络探测系外行星。这些新技术旨在克服恒星变化和系统误差带来的挑战。它们有望在大型巡天中以更好的方式找到类地系外行星。
神经网络:一种探测系外行星的新方法
神经网络,又称“深度学习”或“深度网络”,正在改变我们寻找系外行星的方式。它们不同于使用既定规则的旧方法。这些先进的模型可以自行学习在嘈杂的数据中发现系外行星的模式。
神经网络如何实现模式识别
我们的卷积神经网络比传统方法更能有效地发现类地系外行星。这些深度学习模型能够很好地处理不同类型的数据。即使存在噪声和恒星亮度变化,它们也能学会识别系外行星信号。
深度学习在天文学领域的优势在于它能够从大型数据集中发现复杂的模式。与传统的机器学习算法不同,卷积神经网络不需要我们预先选择重要的特征。它们可以自主学习这些特征,并随着时间的推移不断改进。
“我们对开普勒光变曲线的深度网络分析发现了与真实周期一致的周期性凌日,无需任何模型拟合。”
得益于神经网络,我们在天文学领域取得了重大发现。例如,我们在开普勒-90 和开普勒-80 系统中发现了两颗新的地球大小的系外行星。这些行星被旧方法遗漏了,但被深度学习算法发现了。这表明这项技术对于探索系外行星有多么强大。
训练用于系外行星探测的神经网络
为了训练用于系外行星探测的神经网络,我们使用了来自开普勒星表的15,000个已确认的系外行星信号的数据集。测试集显示,该网络对真实行星和误报的识别准确率高达96%。在学习了凌日系外行星的模式后,我们让模型在670个拥有多颗已知行星的恒星系统中寻找较弱的信号。我们认为这些系统是寻找更多系外行星的理想场所。
该机器学习模型基于 15,000 多个带标签的开普勒信号进行训练。它正确识别行星和非行星的准确率达到 96%。借助该模型,我们查看了已知拥有两颗或更多系外行星的 670 颗恒星的数据。我们发现了两颗新行星:开普勒 80g 和开普勒 90i。
开普勒 90i 比地球大 30%,表面温度约为 800°F。它每 14 天绕恒星公转一次。开普勒 90 是太阳系外第一个已知的 8 行星系统。这表明开普勒数据中可能还有更多系外行星等待被发现。

“基于超过 96 个标记的开普勒信号的数据集,机器学习模型 15,000% 的时间正确识别了行星与非行星。”
开普勒在四年内观测了大约 200,000 万颗恒星,收集了大约 14 亿个数据点。这意味着大约有 2 千万亿个可能的行星轨道。但到目前为止,这 670 万颗恒星中只有 200,000 颗得到了检查。这表明,使用深度学习算法在开普勒数据中发现更多系外行星的可能性巨大。
天文学中的人工智能:自动搜索系外行星
人工智能技术改变了我们寻找系外行星的方式。在太阳系外寻找类地行星非常困难。它需要复杂的算法来处理大量数据。人工智能,尤其是神经网络,非常适合这项工作。
为了寻找系外行星,算法必须能够快速准确地识别数据中的模式。基于模拟数据训练的深度学习模型能够以极高的精度识别系外行星的特征,优于传统方法。神经网络使我们能够实现搜索自动化,从而节省天文学家的时间和资源,让他们能够探索更多领域。
- 人工智能首次被用来发现两颗新的系外行星。
- 所开发的神经网络可以以 96% 的准确率识别行星。
- 人工智能正在协助寻找第九行星和发现新物体。
深度学习模型可以判断信号是否可能是凌日信号。这在寻找系外行星的复杂世界中至关重要。
“人工智能正在彻底改变我们寻找系外行星的方式,开辟天文学的新领域,并帮助我们了解在宇宙中的位置。”
随着越来越多的数据涌入,我们需要高效可靠的方法来处理这些数据。系外行星探测中的人工智能将改变太空探索。它让天文学家能够更快、更准确地揭开宇宙的秘密。
神经网络相对于传统方法的优势
在寻找系外行星时,神经网络有很多优势。它们可以处理难以手工弄清楚的复杂关系。这与使用简单规则的传统方法不同。
它们擅长处理嘈杂的数据和恒星的变化。传统方法通常会消除这些变化,从而隐藏行星信号。然而,神经网络在处理这些问题方面更胜一筹。这使得它们成为寻找系外行星的有力选择。
对噪声和恒星变化的鲁棒性
神经网络非常擅长处理噪音和恒星变化。它们从数据中学习,找到发现行星信号的最佳特征。这使得它们在寻找系外行星方面更加可靠。
“人工智能算法可以筛选天体物理学中的海量数据集,其速度之快令人类天文学家都感到不寒而栗。”
深度学习在系外行星科学中的应用
得益于深度学习,系外行星科学取得了巨大进步。研究人员使用神经网络来解决难题。其中包括预测一个系统是否有多个行星,以及弄清楚系外行星的大气层里有什么。
多行星预测
神经网络是发现多行星系统的关键。它们研究轨道周期、行星大小和质量之间的关系。这有助于在系统中发现其他行星,正如 Kipping 和 Lam (2017) 所展示的那样。这种新方法开辟了更多发现和了解系外行星的方法。
系外行星大气分类
深度学习还有助于根据光谱对系外行星大气进行分类。这些复杂的系统很难用传统方法解决。但神经网络可以很好地处理它们。通过在大型数据集上训练这些模型,科学家现在可以猜测系外行星的大气中有什么。这有助于我们了解系外行星的多样性和可能宜居性。
神经网络在多行星预测中的应用、深度学习在系外行星大气分类中的应用,以及其他人工智能在系外行星科学领域的应用,已经改变了我们研究系外行星的方式。随着技术的进步,我们有望在天文学和人工智能的交叉领域看到更多激动人心的发现。
开普勒-90i:人工智能发现的第一个八行星系统
天文学家利用机器学习取得了重大突破。借助谷歌神经网络,他们发现了第一个八行星系统——开普勒-90。开普勒-90i 是一颗炽热的岩石行星,绕恒星公转周期为 14.4 天。它是该系统中的第八颗行星,数量与我们的行星相当。
神经网络帮助发现了开普勒-90i。它根据开普勒太空望远镜的数据进行训练。研究人员 Andrew Vanderburg 和 Christopher Shallue 制作了这个模型。它在测试中 96% 的时间里都能正确地选出行星。该网络观察了 670 个恒星系统并发现了新行星,包括地球大小的开普勒-80g。
开普勒-90i比地球大约大30%,表面温度超过华氏800度。开普勒-90系统位于天龙座,距离地球2,545光年。它就像我们太阳系的迷你版,拥有靠近恒星的小行星和远离恒星的大行星。
“这是神经网络首次用于在开普勒数据中发现行星,”范德堡说。“开普勒-90 行星系统就像是我们太阳系的迷你版。它的内部有小型岩石行星,外部有大型气体行星,就像我们太阳系一样。”
关于开普勒-90i的研究成果即将发表在《天文学杂志》上。该团队计划利用神经网络分析开普勒任务中超过150,000万颗恒星的数据,希望从中发现更多遥远的行星。
这一突破表明人工智能在系外行星科学领域有多么强大。通过使用神经网络寻找微弱信号,天文学家可以更多地了解其他行星系统。这可能会带来关于宜居星球的新发现。
人工智能驱动的系外行星探测的挑战和局限性
机器学习在寻找系外行星方面发挥了巨大作用。但是,使用人工智能进行这项工作仍面临巨大挑战和限制。我们的研究表明,人工智能会犯很多错误,会将一些信号误认为是行星,但实际上并非如此。
这就像在岩石中寻找宝石一样。在虚假信号中寻找真正的系外行星需要花费大量时间和精力。天文学家必须仔细检查每个结果。
人工智能寻找系外行星的能力还取决于它使用的数据。如果没有大量优质数据,人工智能就无法发挥最佳水平。这意味着它可能会犯更多错误,找不到真正的行星。
人工智能可能并不适用于所有寻找系外行星的方法。有些方法更适合某些类型的行星。但并非所有方法都能与人工智能一样有效。
即使存在这些问题,我们仍然对人工智能寻找系外行星抱有希望。随着机器学习越来越好,我们获得更多数据,人工智能可能会变得更加准确。这将帮助我们更多地了解行星。
“筛选结果以找到真正的系外行星信号就像‘筛选岩石以寻找珠宝’一样。”
人工智能在系外行星探索中的未来
随着我们探索宇宙,人工智能将成为太空任务的关键参与者。浩瀚的太空和复杂的系外行星使人工智能变得至关重要。它可以自行适应和做出决策,而无需人类的持续帮助。
人工智能太空任务和自主探索
人工智能将改变系外行星探索的格局。它已经在分析卫星数据、遥感和使航天器更加自主方面展现了其优势。由于航天器每周都会发送数 TB 的数据,因此人工智能对于理解这些数据至关重要。
人工智能将在自主解决问题方面发挥主导作用,使机器人无需人类引导即可探索太空。例如,火星探测器使用人工智能进行导航和决策。人工智能还有助于分析探测器和望远镜的数据,从而带来新发现。
人工智能将彻底改变系外行星的探索。它已经在分析卫星数据、遥感和提高航天器自主性方面展现了其技能。随着如此多的数据涌入,人工智能将成为理解这一切的关键。
人工智能将负责解决问题,让机器人能够独自探索太空。火星探测器依靠人工智能进行导航和决策。人工智能还帮助分析来自探测器和望远镜的数据,从而带来新发现。
| 应用领域 | 描述 |
|---|---|
| 卫星遥测分析 | 人工智能算法协助完成卫星遥测分析、遥感和太空研究中的飞行器自主性增强等任务。 |
| 数据分析 | 人工智能使天文学家能够准确地对天体进行分类和分析,从而揭示宇宙的起源和演化。 |
| 系外行星的发现 | 谷歌的卷积神经网络AstroNet K2达到了98%的准确率,发现了两颗新的系外行星:开普勒80g和开普勒90i。 |
| 航天器导航 | 人工智能提高了太空任务的安全性,例如 SpaceX 的猎鹰 9 号火箭使用人工智能自动驾驶仪确保安全着陆。 |
| 火箭优化 | 人工智能神经网络简化了火箭油箱的填充过程,最大限度地减少了火箭技术中的燃料浪费。 |
随着我们不断拓展太空探索的边界,人工智能将成为揭开系外行星秘密的关键。它将帮助我们更好地了解宇宙。
ExoMiner:NASA 用于高效探测系外行星的人工智能
美国宇航局(NASA)开发了一套名为ExoMiner的先进人工智能系统,旨在改变我们寻找太阳系外行星的方式。ExoMiner比以往的方法更加先进,在一个大型数据集中,它能够正确识别出93.6%的行星。
ExoMiner能够处理来自开普勒等任务的大量数据。开普勒迄今已发现4575颗系外行星,其中2879颗已确认。这款人工智能利用深度学习技术,能够快速准确地识别其他方法遗漏的系外行星信号。这一点至关重要,因为凌日法虽然能发现大多数系外行星,但经常会将假阳性误判为真阳性。
ExoMiner 的功能远不止更快地发现系外行星。它还会解释其决策过程,展示哪些数据最为重要。这对于我们深入了解行星的形成和演变过程至关重要。
随着 TESS 任务于 2022 年启动以及 PLATO 任务于 2026 年启动,人工智能在寻找系外行星方面将变得更加重要。ExoMiner 在开普勒数据方面的成功表明,人工智能可以加快寻找新行星的速度,并帮助我们更多地了解其他行星。

结语
人工智能 (AI) 改变了我们寻找系外行星的方式。它使寻找和研究遥远行星变得更加容易。神经网络和深度学习是超越旧方法在大数据集中发现信号的关键工具。
开普勒-90八行星系统的发现展现了人工智能的助力作用。此外,像ExoMiner这样的工具也体现了人工智能在发现系外行星方面的强大能力。
随着我们进一步探索太空,人工智能将发挥重要作用。这些智能系统将自行做出决策、处理大数据并适应新挑战。人工智能将帮助我们以前所未有的方式寻找和了解系外行星。
我们对人工智能在系外行星研究中的应用进行了考察,结果表明它具有巨大的影响力。人工智能在太空探索领域的未来发展将改变我们看待宇宙以及自身在宇宙中位置的方式。
常见问题解答
神经网络如何用于探测系外行星?
神经网络通过学习识别天文数据中的模式来更准确地寻找系外行星。它们优于传统的最小二乘优化等方法。这些网络能够从数据中学习识别系外行星凌日现象的最佳特征。
使用神经网络进行系外行星探测有哪些优势?
神经网络更善于处理噪音和恒星变化。它们可以发现数据中难以用手看到的复杂模式。这有助于它们找到其他方法可能错过的信号。
如何利用机器学习发现拥有八颗行星的开普勒-90 系统?
谷歌的神经网络在开普勒数据中发现了隐藏的 Kepler-90i 行星。这使得 Kepler-90 成为第一个拥有与我们自己的行星数量相同的行星系统。它展示了人工智能如何能够发现甚至微弱的系外行星信号。
基于人工智能的系外行星探测存在哪些挑战和局限性?
人工智能有时会将假阳性结果误认为是真正的系外行星,因此科学家必须小心谨慎。他们还需要大量高质量的数据集才能正常工作。并非所有系外行星探测情况都适用于人工智能。
美国宇航局如何利用人工智能来加强系外行星研究?
美国宇航局的人工智能 ExoMiner 比旧方法更准确,在复杂的数据集上召回率高达 93.6%。它加快了数据分析速度,并有助于更可靠地找到系外行星信号。
源链接
- https://www.nasa.gov/news-release/artificial-intelligence-nasa-data-used-to-discover-eighth-planet-circling-distant-star/ – 人工智能和 NASA 数据用于发现围绕遥远恒星运行的第八颗行星 – NASA
- https://www.linkedin.com/pulse/intelligent-telescopes-ai-search-exoplanets–fxiwf – 智能望远镜:利用人工智能寻找系外行星
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9132280/ – 通过结合真实数据和合成数据进行深度学习系外行星探测
- https://www.datasciencecentral.com/machine-learning-and-the-search-for-e-t/ – 机器学习和外星人搜寻 – DataScienceCentral.com
- https://astrobiology.nasa.gov/news/artificial-intelligence-has-just-found-two-exoplanets-what-does-this-mean-for-planet-hunting/ – NASA天体生物学
- https://ai.gopubby.com/the-next-earth-ais-breakthrough-in-the-hunt-for-exoplanets-438e334b4b2c – 下一个地球:人工智能在寻找系外行星方面的突破
- https://www.sciencedirect.com/science/article/abs/pii/S1384107621001196 – 使用机器学习方法自动识别 NASA 凌日系外行星巡天卫星 (TESS) 数据中的凌日系外行星候选者
- https://medium.com/@uvishal1995/weekly-literature-review-1-exoplanet-detection-using-deep-learning-4930ee4f8733 – 每周文献回顾#1:使用深度学习探测系外行星
- https://www.esa.int/Enabling_Support/Preparing_for_the_Future/Discovery_and_Preparation/Artificial_intelligence_in_space – 太空中的人工智能
- https://blog.google/technology/ai/hunting-planets-machine-learning/ – 从地球到系外行星:利用机器学习寻找行星
- https://www.wired.com/story/why-artificial-intelligence-is-the-future-of-astronomy/ – 人工智能正在帮助天文学家发现新行星
- https://pdfs.semanticscholar.org/968a/9a77943c8550053e522ede5cb82b9bc07dd8.pdf –PDF
- https://blog.emb.global/ai-in-astrophysics/ – 天体物理学中的人工智能:揭开宇宙的奥秘
- https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0268199 – 通过结合真实数据和合成数据进行深度学习系外行星探测
- https://news.mit.edu/2019/computing-and-search-for-new-planets-tess-mit-0923 – 计算和寻找新行星
- https://academic.oup.com/mnras/article/483/4/5534/5199219 – 在广域地面勘测中利用机器学习方法进行系外行星凌日探测和候选验证
- https://www.jpl.nasa.gov/news/artificial-intelligence-nasa-data-used-to-discover-eighth-planet-circling-distant-star – 人工智能和 NASA 数据用于发现围绕遥远恒星运行的第八颗行星
- https://mcdonaldobservatory.org/news/releases/20171214 – 新行星的发现揭示了与我们太阳系相媲美的遥远太阳系
- https://spacewaywonders.com/blogs/news/the-role-of-ai-in-astronomy-and-space-exploration – 人工智能在天文学和太空探索中的作用
- https://julienflorkin.com/astrophysics/ai-in-astrophysics/ – 天体物理学中的人工智能:10 章关于突破性进展和挑战的内容
- https://www.neilsahota.com/ai-in-space-exploration-rocketing-towards-new-horizons/ – 人工智能在太空探索中的应用:飞向新视野
- https://www.aiacceleratorinstitute.com/ai-in-space-exploration/ – 人工智能在太空探索中的应用
- https://primo.ai/index.php?title=Astronomy – 天文学 – PRIMO.ai
- https://www.universetoday.com/153441/a-machine-learning-algorithm-just-found-301-additional-planets-in-kepler-data/ – 机器学习算法在开普勒数据中发现了 301 颗行星
- https://www.linkedin.com/pulse/ai-sets-out-conquer-exoplanets-arnault-ioualalen?trk=pulse-article_more-articles_related-content-card – 人工智能开始征服系外行星
- https://www.warpnews.org/space/first-ever-exoplanet-discovery-made-by-artificial-intelligence/ – 🔭 人工智能首次发现系外行星
- https://www.azoquantum.com/Article.aspx?ArticleID=474 – 人工智能如何应用于太空探索?
- https://medium.com/@AVIRAL.ASTHANA/role-of-artificial-intelligence-in-modern-astronomy-1520afe4b1b4 – 人工智能在现代天文学中的作用
