超短周期行星与母星。图片来源：NASA/ESA

科学家用一种新的人工智能（AI）系统，确认了100多颗系外行星，其中包括31个新发现的天体。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会扫描天空，捕捉行星从母星前经过时产生的微弱星光变暗现象。

近日发表于英国《皇家天文学会月报》的这项研究，对TESS运行4年间收集的220多万颗恒星的观测数据进行了分析。研究人员重点关注那些轨道非常接近母星的行星，它们沿轨道运行一周仅需不到16天。这种方法产生了迄今关于这类短周期行星普遍性的最精确测量结果。

“借助新开发的RAVEN模型，我们成功验证了118颗新行星，以及2000多颗高质量的候选行星，其中近1000颗是全新发现的。”论文第一作者、英国华威大学的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几个有趣的类别。其中一些是超短周期行星，绕母星运行一周不到24小时。还有一些位于所谓的“海王星沙漠”——根据当前理论，这一区域几乎没有行星存在。该研究还发现了密集排列的多行星系统，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发现数千颗潜在行星，但确定哪些信号是真实的仍然很难。许多虚假信号与行星的信号很像，例如食双星。

“探测的难点在于判断星光变暗究竟由绕恒星运行的行星引起，还是由食双星等其他天体现象所导致，而这正是RAVEN试图解决的问题。”RAVEN模型的主导开发者、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，其中包含数十万个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来识别数据中的模式，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。”

“此外，RAVEN可一次性完成整个流程——从信号检测，到通过机器学习进行审查，再到进行统计验证。这使该模型比仅关注工作流程特定环节的当前工具更有优势。”Hadjigeorghiou说。

论文作者、华威大学的David Armstrong补充道：“RAVEN让我们能够一致且客观地分析海量数据集。由于它经过了充分测试和仔细验证，因此这一成果不仅是一份潜在行星清单，其可靠性也足以作为样本，绘制类太阳恒星周围不同类型行星的分布情况。”

借助这一经过验证的数据集，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》配发的一篇论文中，他们测算出类太阳恒星周围近距离行星的出现频率，并以前所未有的细节按轨道周期和行星大小给出了研究结果。

研究显示，约9%至10%的类太阳恒星拥有一颗近距离行星。这与NASA开普勒任务的早期发现一致，但新的分析大大降低了不确定性。

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。

这些研究凸显了AI的进步将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，还能通过来自真实世界的数据改进工具本身。（李木子）

相关论文信息：

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

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