近日，由凯发k8上海天文台葛健教授带领的国际团队，研发了一种结合GPU相位折叠和卷积神经网络的深度学习算法，并在开普勒（Kepler）2017年释放的恒星测光数据中发现了五颗直径小于地球、轨道周期短于1天的超短周期行星。其中，四颗是迄今为止发现的距其主星最近的最小行星，类似火星大小。这是天文学家首次利用人工智能一次性完成搜寻疑似信号和识别真信号的任务。相关研究成果发表在《皇家天文学会月报》（MNRAS）上。

经过5年的努力和创新，科研团队开发了结合GPU相位折叠和卷积神经网络的深度学习的新算法GPFC。该算法比国际上流行的BLS法搜寻速度提高了约15倍，检测准确度和完备度各提高约7%，提高了凌星信号搜索速度、精度和完备度。该算法已应用于Kepler的数据集中，并识别出五颗新的超短周期行星——Kepler-158d、Kepler-963c、Kepler-879c、Kepler-1489c和Kepler-2003b。其中，Kepler-879c、Kepler-158d、Kepler-1489c和Kepler-963c分别位列迄今为止发现的最小超短周期行星中的第一、第二、第三和第五名。Kepler-879c、Kepler-158d、Kepler-1489c和Kepler-2003b是最接近其主星的小型行星，其轨道半径在5个恒星半径以内，展现了新算法在搜寻微弱凌星信号的优势。

这些超短周期行星的存在为行星系统的早期演化、行星-行星相互作用以及恒星-行星相互作用的动力学（包括潮汐力和大气侵蚀）研究提供了关键线索，对行星形成理论研究具有重要意义。这一成果为在高精度光度观测数据中快速而高效搜寻凌星信号提供了新的研究方式，显现了人工智能在天文海量数据中探寻微弱信号的应用潜力和前景。

论文链接

已知行星半径和行星轨道半长轴分布以及五个新发现的超短周期行星（红点）。四个新的超短周期行星——Kepler-158d、Kepler-879c、Kepler-1489c和Kepler-2003b——是最接近它们主星的最小行星之一，其轨道在5个恒星半径以内。

行星半径小于1.5倍地球半径与五个新发现的超短周期行星（红圈标记）及NASA系外行星档案中已确认系外行星的主星开普勒星等的关系图。标记颜色对应主星的有效温度。新发现的超短周期行星的主星是类太阳恒星（有效温度～5000-6000K）中最暗的目标，显示新的探测方法的超高灵敏度。

艺术想象图。新发现的类似火星大小的超短周期系外行星。由于离主星非常近，行星不仅表面温度很高，而且潮汐力会挤压行星内部和表面进而产生很多火山喷发。