人工智能进军天文学界？

　　美国宇航局开普勒探测器的插图。该探测器于2009年发射升空，旨在寻找地外行星。插图：WENDY STENZEL, AMES RESEARCH CENTER/NASA

　　

　　撰文：Nadia Drake

　　

　　天文学界上的第一次!科学家训练出了人工智能，用于在望远镜收集的巨量数据中进行筛选，结果还真的发现了一个全新的星球。

　　

　　这颗新发现的行星编号为“开普勒-90i(Kepler-90i)”，此前一直隐藏在美国宇航局开普勒探测器收集的数据中。这颗行星距离地球约2500光年，它与另外7颗行星一起围绕着一颗恒星公转，因此，开普勒-90系统，与我们所在的太阳系有许多相似之处。

　　

　　“开普勒已经像我们证明，多数恒星都拥有行星。”美国宇航局的Paul Hertz在宣布这一发现的新闻发布会上说道。如今，开普勒已经证实，恒星可以与我们的太阳系一样，拥有庞大的行星家族。

　　

　　在新闻发布会之前的几天里，有媒体疯传可能探测到了外星生命。毫无意外，这个消息完全不靠谱，但是，它却从侧面证明，机器学习能够帮助我们更多地了解整个星系中可能令人激动的星球。

　　

　　在星辰大海中搜寻

　　

　　开普勒探测器2009年发射升空，已经盯着一小块天空中的15万颗恒星，足足看了4年。它的任务是寻找行星经过恒星前面时，对恒星所产生的微小遮挡。当科学家在数据中发现此类微小信号时，就能够测算出行星的大小，以及它与其母恒星之间的距离。

　　

　　截至目前，开普勒探测器已经确认了2525颗行星，其数据中还有更多行星有待发现。但是，想要确认一颗行星并非易事。对人类而言，人工梳理巨量的开普勒数据是一项不可完成的任务，因为这些数据中包含有10的8次方个潜在的行星轨道。此外，恒星光线的变弱，并不一定全是行星所为：恒星黑子、双星及其它天体都有可能产生与行星掩住恒星一样的效果。

　　

　　正因如此，谷歌人工智能部门的Chris Shallue决定利用神经网络来解决这一难题。此前，机器学习的方式已经被用于筛选、分类普勒的数据，但是，Shallue的神经网络能够提供更加强大的算法。

　　

　　Shallue说：“当我得知开普勒探测器收集到了这么多的数据，科学家们无法全靠人工进行审查时，我就想把神经网络用于天文学。我们的想法是，把这一技术用于星空，教会机器的学习系统如何分辨遥远恒星周围的行星。”

　　

　　开辟观测新视角

　　

　　顾名思义，神经网络，是基于人类大脑工作的原理而构造的。人类可以训练神经网络，让它们识别和分类事物，比如分辨狗与猫的照片有何区别。最终，在看过足够的样本之后，电脑就能够自己将猫和狗进行分类。

　　

　　Shallue训练了一个神经网络，识别行星的独特“指纹”。他从开普勒数据库中提取出15000个真实的行星特征，让神经网络系统辨别真实行星的信号与伪装成行星的信号之间的差异。

　　

　　之后便是实战验证阶段。Shallue与德州大学的Andrew Vanderburg，让这个系统仔细检查了670颗已知拥有行星的恒星，因为在这些恒星周围可能存在更多颗行星。

　　

　　然后，他们向系统输入不够强、人工无法处理的信号。在这些信号中，神经网络系统识别出了两颗新行星。研究结果发表在了《天文学期刊》上。

　　

　　“这两颗星星的信号很弱，此前的所有搜寻都错过了它们。”Shallue说道。

　　

　　仍需探索新领域

　　

　　其中一颗行星是“开普勒-80g”，它是所在恒星系中第六颗已知的行星。开普勒-80g大小与地球相当，围绕其母恒星公转一周需14.6天，而其母恒星比我们的太阳更小、更红。

　　

　　神经网络还找出了“开普勒-90i”。这颗行星比地球稍大，公转一周需要两个星期的时间，是所在恒星系中发现的第三颗岩质行星，而其母恒星比我们的太阳稍大且更热。在开普勒-90i内侧，还有两颗较小的行星，而在其外侧公转的行星则要大得多。

　　

　　这些行星都很大，但还都“抱团”在一起：八颗行星与其母恒星的距离，与日地距离相同。

　　

　　Vanderburg说：“我可不想去开普勒-90i这种地方。它的地表很可能非常炽热。我们通过计算，它的平均温度约为427摄氏度。”

　　

　　他还补充说，恒星开普勒-90可能还有更多行星有待发现。他和Shallue计划将开普勒的所有数据都输入神经网络系统，看看有何结果。

　　

　　但是，现在不需要担心电脑代替人类天文学家。

　　

　　美国宇航局的Jessie Dotson说：“这项工作绝对要与天文学家一同进行。永远都不能排除这一点。你首先要有最初的分类，才能训练机器学习，然后，它才能比人类处理更多的信号。”