在探索宇宙奥秘的征途中，中国科学院上海天文台的研究团队取得了突破性进展。葛健研究员领导的国际科研小组，通过创新的深度学习算法，成功在开普勒太空望远镜的数据中挖掘出五颗前所未有的超短周期系外行星。这一发现不仅丰富了我们对行星多样性的认识，也为行星形成与演化理论带来了新的挑战与启示。
新发现的类似火星大小的超短周期系外行星的艺术想象图
这项研究成果的核心在于一种结合了图形处理器（GPU）相位折叠技术和卷积神经网络的深度学习算法。该算法在搜寻速度、检测准确度和完备度上均表现出色，相比传统方法有了显著提升。葛健研究员介绍，新算法不仅将搜寻速度提高了约15倍，还在检测准确度和完备度上各提高了约7%，为在海量天文数据中快速识别微弱信号提供了强有力的工具。
此次发现的五颗行星，包括Kepler-158d、Kepler-963c、Kepler-879c、Kepler-1489c和Kepler-2003b，均拥有小于地球的直径和极短的轨道周期，其中四颗更是迄今为止发现的最接近类太阳主星的小型行星，其大小与火星相仿。这些行星的发现不仅拓宽了我们对超短周期行星的认知边界，也为研究行星系统的早期演化、行星间相互作用以及恒星-行星相互作用的动力学过程提供了宝贵的样本。
葛健研究员强调，这一发现标志着人工智能在天文大数据处理中的重大应用突破。研究团队通过大量的人工数据集训练神经网络，使其能够准确识别出隐藏在复杂数据中的微弱信号。这一技术的应用不仅提高了搜寻效率，还为未来在更多天文数据中发现新天体开辟了新途径。
普林斯顿大学天体物理学家乔什·温教授对这一发现给予了高度评价。他认为，这些超短周期行星具有极端且出人意料的特性，为理解行星轨道演化提供了重要线索。同时，他也对研究团队在数据挖掘技术上的创新表示赞赏。
随着这项研究成果的公布，我们期待未来能有更多类似的创新技术应用于天文领域，推动人类对宇宙的认知不断向前迈进。
