NASA利用新深度學習方法構成的深度神經網絡ExoMiner成功發現301個新系外行星
（神秘的地球uux.cn報道）據東網：美國太空總署（NASA）周一（22日）宣布科學家利用新深度學習方法構成的深度神經網絡“ExoMiner”，成功發現了301個新的新深習方系外行星系外行星，令目前已知的度學系外行星增至4,569個，有助進一步了解地球以外的法構發現行星及太陽系。
ExoMiner學習過往已確認系外行星和誤報個案，成的成功分析開普勒任務的深度神經數據，利用超級電腦“昴宿星團”（Pleiades）將真實的網絡系外行星與其馀“冒牌”行星區分開來，從數據的個新特征確認或否認系外行星。
ExoMiner項目負責人瓦利扎德甘（Hamed Valizadegan）表示，利用ExoMiner高度準確，新深習方系外行星從某些方面而言比現存的度學機械分類器和人類專家更可靠。
相關報道：天文學家利用高級行星探測技術發現了300多顆新潛在系外行星
（神秘的法構發現地球uux.cn報道）據cnBeta：美加州大學洛杉磯分校的天文學家已經確定了366顆新的系外行星，這在很大程度上要歸功于加州大學洛杉磯分校的成的成功一名博士后學者開發的算法。在他們最值得注意的深度神經發現中，有一個由一顆恒星和至少兩顆氣態巨行星組成的網絡行星系統，據悉，每顆行星的大小都跟土星差不多并且彼此之間的位置異常接近。
這些發現于2021年11月23日發表在《Astronomical Journal》上。
術語“系外行星”被用來描述我們太陽系之外的行星。天文學家已經確定的系外行星的數量總共不到5000顆，因此確定數百顆新的系外行星是一個重大進展。研究這樣一大批新天體可以幫助科學家更好地了解行星是如何形成和軌道是如何演變的，并且還可以提供關于我們的太陽系是多么不尋常的新見解。
加州大學洛杉磯分校天文學教授、該研究的共同作者Erik Petigura指出：“發現數百顆新的系外行星本身就是一項重要的成就，但這項工作的與眾不同之處在于它將如何照亮整個系外行星群的特征。”
據悉 ，這項研究的論文第一作者是Jon Zink，他在6月從加州大學洛杉磯分校獲得博士學位，目前是加州大學洛杉磯分校的博士后學者。他和Petigura以及一個名為Scaling K2的國際天文學家團隊通過利用NASA開普勒太空望遠鏡K2任務的數據確定了這些系外行星。
這一發現是通過Zikn開發的一種新的行星探測算法實現的。識別新行星的一個挑戰是，失速器亮度的降低可能來自于儀器或模仿行星特征的其他天體物理源。辨別哪些是哪些需要額外的調查，這在傳統上是非常耗時的，并且只能通過視覺檢查來完成。Zink的算法則能區分哪些信號是行星哪些只是噪音。
Petigura說道：“Jon和Scaling K2團隊設計的目錄和行星檢測算法是理解行星群的一個重大突破。他們將使得我們對行星形成和演變的物理過程的理解變得更加清晰，對此我毫無疑問。”
開普勒的最初任務在2013年意外結束，當時一個機械故障使航天器無法精確地指向它多年來一直觀察的那片天空。
但天文學家們將該望遠鏡重新用于一項被稱為K2的新任務，其目標是識別遙遠恒星附近的系外行星。來自K2的數據正在幫助科學家們了解恒星在銀河系中的位置如何影響到在它們周圍能形成什么樣的行星。然而遺憾的是，最初的開普勒任務用來識別可能的行星的軟件無法處理K2任務的復雜性，其中包括確定行星的大小和它們相對于恒星的位置的能力。
Zink和合作者以前的工作為K2引入了第一個完全自動化的管道，其用軟件來識別處理過的數據中可能的行星。
在新研究中，研究人員使用新軟件以此分析K2的整個數據集--約500兆字節的數據，其中包括8億多張恒星圖像，以此來創建一個“目錄”。該目錄將很快被納入NASA的主系外行星檔案。研究人員使用加州大學洛杉磯分校的Hoffman2集群來處理這些數據。
除了研究人員確定的366顆新行星之外，該目錄還列出了之前已經確定的381顆其他行星。
Zikn稱，這些發現可能是幫助天文學家了解哪些類型的恒星最有可能有行星環繞以及這表明成功的行星形成所需的構件的一個重要步驟。“我們需要觀察廣泛的恒星，而不僅僅是像我們太陽這樣的恒星，以了解這一點。”
發現有兩顆氣態巨行星的行星系統也非常重要，因為很少發現氣態巨行星--像我們自己太陽系中的土星--像在這種情況下那樣接近它們的主星。研究人員還不能解釋為什么會發生在那里，但Zink表示，這使得這一發現特別有用，因為它可以幫助科學家形成對行星和行星系統如何發展的參數的更準確的理解。
“每一個新世界的發現都提供了對在行星形成中起作用的物理學的獨特瞥見，”他說道。

(責任編輯：探索)