Google AI 用深度学习在开普勒数据中发现两颗新系外行星
Google 利用深度神经网络分析开普勒望远镜数据，发现两颗新系外行星——开普勒-90i 与开普勒-80g。模型区分行星与非行星的准确率达 96%。
系外行星搜寻的数据挑战
开普勒太空望远镜 4 年观测约 20 万颗恒星，每半小时拍摄一帧，光度计持续监测 14.5 万颗主序星亮度。数据产生约 140 亿个数据点，对应 2 千万亿种可能轨道。传统计算处理极其耗时，Google 引入深度学习加速筛选。
深度学习方法
深度学习通过多层计算构建渐进特征，擅长分类任务。Google AI 团队用 1.5 万个开普勒信号训练 TensorFlow 模型，识别真实行星凌星信号与双星、星斑、仪器伪影等假阳性。模型采用卷积列处理光曲线输入，在人工标注的阈值穿越事件（TCE）上训练，能捕捉真实凌星与假阳性的细微差别。
成果与发现
测试集上模型以 96% 准确率区分行星/非行星信号，98.8% 情况下将合理行星信号排在假阳性前。为缩小搜索范围，团队聚焦已知拥有 2+ 颗行星的 670 颗恒星，最终发现：
- 开普勒-90i：比地球大 34%，公转周期 14.45 天，距地球 2545 光年（天龙座），位于开普勒-90c（8.7 天）与开普勒-90d（59.7 天）之间，表面温度高达 436 °C。
- 开普勒-80g：比地球大 13%，公转周期 14.6 天，轨道倾角 89.35°，是该 5 行星链中最外侧行星，轨道周期近符合三体拉普拉斯共振预测。
开普勒-90 由此成为除太阳系外首个已知 8 行星系统。
后续优化方向
模型仅搜索了 670 颗恒星，开普勒数据中仍可能隐藏数十万颗行星。未来可通过：扩充训练集（引入模拟/未标注数据）、改进加权例程减少恒星变异性假阳性、引入质心信息区分背景恒星凌星、将局部视图分段分析凌星一致性等方式提升精度。
工业技术