美国宇航局科学家和一名谷歌软件工程师今天宣布，一种名为神经网络的机器学习技术在我们银河系中发现了两颗新的系外行星，这意味着研究人员现在 thanks to 人工智能的力量，知道了两个新的世界。
发现新的系外行星——正如太阳系外的行星所称——是相对常见的事件，而科学家用来识别它们的一个关键工具是开普勒太空望远镜，它已经发现了 2,525 颗已确认的系外行星。但这次宣布的新颖之处在于，研究人员使用了一个人工智能系统来发现这两个新世界，现在它们被命名为开普勒-90i 和开普勒-80g。被称为 90i 的行星对天文学家来说尤其有趣，因为它使围绕该恒星的已知行星总数达到八颗，与我们自己的太阳系持平。90i 的平均温度被认为是相当温和的：超过 800 华氏度。
就像系外行星的发现很常见一样，神经网络也很常见，它是一种从数据中学习的软件（而不是程序中已编程规则的程序）。神经网络为 Facebook 上的语言翻译、新款 iPhone X 上的 FaceID 系统以及 Google Photos 上的图像识别提供支持。神经网络学习的一个经典例子是考虑猫狗的图片——如果你将标记好的猫的图片输入神经网络，之后它应该能够识别出它认为包含猫的新图片，因为它已经为此进行了训练。
谷歌 AI 的高级软件工程师 Christopher Shallue 在周四的 NASA 电话会议上表示：“神经网络已经存在了几十年，但近年来它们在各种各样的问题上都取得了巨大的成功。” “现在我们已经证明，神经网络也可以识别开普勒太空望远镜收集到的数据中的行星。”
天文学家需要望远镜这样的工具来搜索系外行星，而人工智能研究人员需要大量的标记数据。在这种情况下，Shallue 使用了他们已经拥有的 15,000 个来自开普勒的标记信号来训练神经网络。这些信号被称为光变曲线，用于测量当一颗行星在其轨道上经过恒星和开普勒的视线之间时，恒星的光线会变暗多少，这种技术称为凌日法。在这 15,000 个信号中，约有 3,500 个是来自过境行星的光变曲线，其余则为假阳性——由星斑等事物引起的光变曲线，而不是轨道行星。这样，神经网络就可以学会区分由过境行星引起的光变曲线和其他现象产生的信号。
最终，Shallue 和他的合作者、德克萨斯大学奥斯汀分校的 NASA Sagan 博士后研究员 Andrew Vanderburg 将神经网络应用于开普勒原始训练集之外的数据。它筛选了 670 个星系统的数据，重点关注可能代表先前未发现行星的微弱信号。果然，他们发现了两个新的世界。
Shallue 说：“机器学习在人类自身无法检查的数据量过大的情况下确实表现出色。”
他说，查看这 670 颗恒星的微弱信号并找到两颗行星是他们神经网络有效工作的“概念验证”。他们的下一步是将其应用于更多数据：来自约 150,000 颗额外恒星的信号。Shallue 承认他不是天文学专家，这就是为什么他与 Vanderburg 合作了这个项目。
Shallue 在新闻发布会上说：“虽然人工智能工具以前曾用于此类研究，但这还是首次专门使用神经网络来识别新的系外行星。”
Mary Beth Griggs 为本报告提供了研究贡献。
