中科院利用人工智能发现迄今距主星最近的最小行星
中国科学院团队开发深度学习算法GPFC，结合GPU相位折叠与卷积神经网络，在开普勒数据中发现五颗直径小于地球、轨道周期不足1天的超短周期行星，其中四颗小至火星大小，首次由人工智能完成从信号筛查到真伪验证全流程。
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
你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：中科院利用人工智能发现迄今距主星最近的最小行星要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题
游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。
相关热点探索AI领域最新动向，DeepSearcher这个创新工具确实值得仔细看看。它的架构、原理和实际应用，到底能为开发者带来什么？下面一步步拆解。 核心要点： 1 DeepSearcher与同类工具的横向对比 2 架构细节与研究流程解析 3 在智能检索生成技术中的独特优势 近期OpenAI的深度研
机器学习听起来像是个黑盒子，其实剥开来看，它的基本过程和日常做AB测试、写量化策略并没有本质区别——无非是定目标、找问题、想方案、动手干、回头看。只是在这个过程里，我们用的工具、思考的角度，以及需要留意的坑，确实有些不同。 1 基本过程 1 1 机器学习的五步流程 把机器学习当作一个闭环工作项来看
想要顺利交付一个机器学习项目，通常可以遵循以下几个步骤来推进。这套流程并非硬性规定，但在大多数实际场景中，按照这个顺序执行能显著减少返工与调试的麻烦。 1) 明确问题 首先要清楚要达成的业务目标。这一步的关键在于：如果公司已经积累了海量数据，就应当基于现有数据来定义目标；如果数据尚未采集，则需要先锁
瑞萨电子最新发布了一款基于SMARC 2 0架构的可扩展模块化系统（SoM）参考设计。该方案整合了10款瑞萨IC产品，涵盖微处理器、电源芯片和模拟器件，专为AI IoT应用中的面部与物体检测、图像处理以及4K视频回放而打造——广泛应用于监控摄像头、检测设备，以及工业和楼宇自动化中的HMI与嵌入式视觉
- 日榜
- 周榜
- 月榜
热点快看