天文学家最近公布了一项引人注目的成果：中国科学院上海天文台葛健教授带领的国际团队，开发了一套深度学习算法，专门用来在恒星测光数据中“大海捞针”。这套算法结合了 GPU 相位折叠和卷积神经网络，直接拿开普勒望远镜（Kepler）2017 年释放的数据做了次实战检验——结果一举发现了五颗直径比地球还小、轨道周期还不到 1 天的超短周期行星。

其中四颗行星的个头，已经小到能挑战我们对行星下限的认知——差不多就是火星那么大。而且，这也是天文学家头一回让人工智能包揽了从疑似信号筛查到真伪验证的全流程。相关论文已经发表在《皇家天文学会月报》（MNRAS）上，链接见文末。

为了从海量数据里捞出这些微弱的信号，研究团队花了五年时间打磨了一套叫 GPFC 的算法。简单来说，就是把 GPU 相位折叠和卷积神经网络给结合起来。和目前主流的 BLS 法相比，这套新工具在搜索速度上直接提升了大约 15 倍，同时在检测准确度和完备性上各自进步了约 7 个百分点。效率的提升意味着之前容易被淹没的微弱信号，现在有了重见天日的机会。

GPFC 算法应用到 Kepler 的数据集后，识别出了五颗全新的超短周期行星：Kepler-158d、Kepler-963c、Kepler-879c、Kepler-1489c 和 Kepler-2003b。在这五颗行星里，Kepler-879c、Kepler-158d、Kepler-1489c 和 Kepler-963c，按尺寸排位，分别占据了迄今已知最小超短周期行星的第一、第二、第三和第五名。而 Kepler-879c、Kepler-158d、Kepler-1489c 和 Kepler-2003b，则是在目前所有已知行星里距离各自恒星最近的那一批——它们的轨道半径都收索到了恒星半径的五倍以内。这恰好证明了新算法在捕捉微弱凌星信号方面的独特优势。

这些新发现的行星之所以重要，是因为它们离主星实在太近了。这种极端环境，对于研究行星系统早期的演化、行星之间的引力拉扯，以及恒星与行星之间各种物理过程的相互作用（比如潮汐力和大气被剥离），都是不可多得的天然实验室。毫不夸张地说，它们为行星形成理论提供了全新的关键线索。

这项研究也向外界展示了一个清晰的信号：在下一代天文望远镜带来更海量的测光数据时，人工智能将是挖掘那些微弱凌星信号的最有力武器。

附论文链接：https://academic.oup.com/mnras/article/534/3/1913/7762975