英国华威大学的天文学家利用一套新的人工智能（AI）系统，确认了100多颗系外行星，其中包括31颗新发现的行星。该团队将这一工具应用于美国国家航空航天局（NASA）凌日系外行星勘测卫星（TESS）的数据中。TESS任务旨在扫描天空，捕捉行星从其宿主恒星前方经过时产生的星光微弱变暗现象。

超短周期行星的艺术想象图。图片来源：NASA、ESA

近日发表于《皇家天文学会月报》的这项研究，对TESS运行4年期间收集的220多万颗恒星观测数据进行了详细分析。研究人员重点关注那些轨道非常接近其宿主恒星的行星，这类行星完成一次完整轨道运行仅需不到16天。这种研究方法得出迄今关于这类短周期行星普遍性的最精确测量结果之一。

“借助我们新开发的RAVEN处理流程，我们成功验证了118颗新行星，以及2000多颗高质量的行星候选体，其中近1000颗是全新发现的。”该研究第一作者、华威大学博士后研究员Marina Lafarga Magro表示，“这是目前特征最明确的近距行星样本之一，将帮助我们确定未来研究中最具潜力的行星系统。”

这些新确认的行星包含多个特别有趣的类别。其中一些是超短周期行星，绕其宿主恒星运行一周不到24小时。还有一些属于所谓的“海王星沙漠”——根据当前理论，这一区域本应几乎没有行星存在。该研究还发现了密集的多行星系统，包括此前未知的、围绕同一颗恒星运行的行星对。

现代行星探测任务通常会标记出数千颗潜在行星，但要确定哪些信号是真实的行星信号，仍然困难重重。许多虚假信号会与行星产生相似的特征，例如食双星。

“探测的难点在于判断星光变暗究竟是由绕恒星运行的行星引起，还是由食双星等其他天体现象导致，而这正是RAVEN试图解决的问题。”RAVEN处理流程的主导开发者、华威大学的Andreas Hadjigeorghiou表示，“它的优势源于我们精心创建的数据集，其中包含数十万组真实模拟的行星及其他可能伪装成行星的天体物理事件。我们训练机器学习模型识别数据中的模式，以此判断所探测到的天体事件类型，这正是AI模型所擅长的领域。”

“此外，RAVEN设计为可一次性完成整个探测流程——从信号检测，到通过机器学习验证，再进行统计验证。这使该处理流程相比仅关注工作流程特定环节的现有工具，具备了额外优势。”Hadjigeorghiou说。

华威大学副教授、RAVEN相关研究的资深共同作者David Armstrong补充道：“RAVEN让我们能够一致且客观地分析海量数据集。由于该处理流程经过了充分测试和精心验证，这份成果不仅是一份潜在行星清单，其可靠性也足以作为样本，用于绘制类太阳恒星周围不同类型行星的分布情况。”

借助这份经过精心验证的数据集，研究人员得以超越单个行星的发现，探索更广泛的行星分布模式。在《皇家天文学会月报》的一篇配套研究中，他们测算出类太阳恒星周围近距行星的出现频率，并以前所未有的详细程度，按轨道周期和行星大小绘制了研究结果。

结果显示，约9%至10%的类太阳恒星拥有一颗近距行星。这与NASA开普勒任务的早期发现一致，但新的分析将不确定性降低了高达10倍。

该团队还首次直接测算出“海王星沙漠”行星的罕见程度，发现这类行星仅出现在0.08%的类太阳恒星周围。

这些研究共同凸显了AI的进步如何改变天文学领域。通过将海量数据集与机器学习相结合，研究人员不仅能发现新行星，还能通过具有挑战性的真实世界数据改进工具本身。

该团队还发布了交互式目录和工具，以便其他科学家能够探索研究结果，并确定有潜力的目标，利用地面望远镜和欧洲空间局（ESA）柏拉图任务等未来项目进行后续观测。

相关论文信息：

https://doi.org/10.1093/mnras/stag512

https://doi.org/10.1093/mnras/stag022