<bdo id="c6gsw"></bdo>
<optgroup id="c6gsw"><rt id="c6gsw"></rt></optgroup>
  • <bdo id="c6gsw"><noscript id="c6gsw"></noscript></bdo>
  • 上海天文臺利用人工智能發現迄今為止類太陽恒星周圍最近的最小系外行星

    文章來源:上海天文臺  |  發布時間:2024-10-14  |  【打印】 【關閉

      

    近日,由中國科學院上海天文臺葛健教授帶領的國際團隊創新了一種結合GPU相位折疊和卷積神經網絡的深度學習算法,并成功在開普勒(Kepler)2017年釋放的恒星測光數據中發現了五顆直徑小于地球、軌道周期短于1天的超短周期行星,其中四顆是迄今為止發現的距其主星最近的最小行星,類似火星大小。這是天文學家首次利用人工智能一次性完成搜尋疑似信號和識別真信號的任務,相關研究成果發表在國際天文學期刊《皇家天文學會月報》(MNRAS)上。

    經過5年的努力和創新,研究團隊成功開發了結合GPU相位折疊和卷積神經網絡的深度學習的新算法(GPFC)。該算法比國際上流行的BLS法搜尋速度提高了約15倍,檢測準確度和完備度各提高約7%,顯著提高了凌星信號搜索速度、精度和完備度。該算法已成功應用在Kepler的數據集中,并識別出五顆新的超短周期行星:Kepler-158d、Kepler-963c、Kepler-879c、Kepler-1489c和Kepler-2003b。其中,Kepler-879c、Kepler-158d、Kepler-1489c和Kepler-963c分別位列迄今為止發現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,其軌道半徑在5個恒星半徑以內,展現了新的算法在搜尋微弱凌星信號的優勢。

    這些超短周期行星的存在為行星系統的早期演化、行星-行星相互作用以及恒星-行星相互作用的動力學(包括潮汐力和大氣侵蝕)研究提供重要線索,對行星形成理論研究有重大意義。該研究成果對在高精度光度觀測數據中快速、高效搜尋凌星信號提供了新的研究方式,也充分顯現了人工智能在天文海量數據中探尋微弱信號的廣泛應用潛力和前景。

    圖1:已知行星半徑和行星軌道半長軸分布以及五個新發現的超短周期行星(紅點)。四個新的超短周期行星——Kepler-158d、Kepler-879c、Kepler-1489c和Kepler-2003b——是最接近它們主星的最小行星之一,其軌道在5個恒星半徑以內。

    圖2: 行星半徑小于1.5倍地球半徑與五個新發現的超短周期行星(紅圈標記)及NASA系外行星檔案中已確認系外行星的主星開普勒星等的關系圖。標記顏色對應主星的有效溫度。新發現的超短周期行星的主星是類太陽恒星(有效溫度~5000-6000K)中最暗的目標,顯示新的探測方法的超高靈敏度。

    藝術想象圖(制圖:石琰)新發現的類似火星大小的超短周期系外行星。由于離主星非常近,行星不光表面溫度很高,而且潮汐力會擠壓行星內部和表面產生很多火山噴發。


    論文鏈接:

    https://academic.oup.com/mnras/article/534/3/1913/7762975

    科學聯系人:

    葛健,中國科學院上海天文臺,jge@shao.ac.cn, 手機號碼:13764339667



    背景參考材料

    葛健表示:“本次工作的真正起始時間是2015年,當年的人工智能AlphaGo剛取得了重大突破,打敗了圍棋界的職業高手。我受佛羅里達大學計算機系同事李曉林教授的激勵和啟發,決定試圖把人工智能的深度學習應用在Kepler釋放的測光數據中,尋找Kepler使用傳統方法沒能找到的微弱凌星信號。幸運的是經過了近10年的努力,我們終于有了第一份收獲,本次工作的突破性發現是人工智能在天文大數據領域應用的又一個里程碑,要想使用人工智能在海量的天文數據中‘挖’到極其稀少的新發現,就需要發展創新的人工智能算法,同時需要依據新發現現象的物理圖像特征生成的大量的人工數據集做訓練,使之能快速、準確、完備地探尋到這些很難在傳統方式下找到的稀少而微弱的信號?!?/p>

    普林斯頓大學天體物理學家Josh Winn教授評論:“超短周期行星,或稱“熔巖世界”,是我最喜歡的系外行星類型之一。它們擁有極其極端和出乎意料的特性,為我們理解行星軌道如何隨時間變化提供線索。我原以為開普勒數據中的凌星信號已經被“挖掘殆盡”,不會再有其他行星發現,聽到這些新的潛在行星的消息讓我非常興奮,這項尋找新行星的技術成就讓我印象深刻?!?/p>

    自從超短周期系外行星于2011年在Kepler測光數據中首次被發現以來,這些新發現給行星形成理論帶來了獨特的機遇和挑戰,促使科學家重新審視和完善現有的行星系統形成和演化模型。傳統的基于太陽系的行星形成理論并未預測軌道比水星更接近的行星。

    這些超短周期行星的存在為行星系統的早期演化、行星-行星相互作用以及恒星-行星相互作用的動力學(包括潮汐力和大氣侵蝕)研究提供重要線索。超短周期行星很可能不是在其當前的位置形成的,而是從原始軌道向內遷移。這是因為這些超短周期行星的主星在其前期形成階段的半徑比現在大得多,距離更近的超短周期行星如果在恒星形成階段就在恒星附近,很可能早已被其主星吞噬。同時鑒于經常觀察到超短周期行星伴有較長周期軌道的外部行星,因此推測超短周期行星的起源涉及行星兄弟姐妹之間的相互作用,這些相互作用將超短周期行星重新定位到它們當前靠近主星的軌道上,可能是以前由恒星自身占據的軌道。除此之外,超短周期行星的這種軌道遷移也有可能是由與原行星盤的相互作用或通過與主星的潮汐相互作用驅動而形成的。

    超短周期行星在類太陽恒星的發生率很低,只有大約0.5%,通常半徑小于2倍地球半徑,或在超熱木星的情況下,大于10倍地球半徑。到目前為止,總共只找到了145顆超短周期行星,其中只有30顆半徑小于地球半徑。理解超短周期行星的相對豐度及其特性對于檢驗理論模型至關重要。然而,已知的超短周期行星樣本量太小,它們的統計特征和出現率很難精確了解。

    葛健團隊設計的在GPU上并行化的快速折疊算法可以提高低信噪比的凌星信號,從而實現高精度快速搜索。該卷積神經網絡架構由19層神經網絡組成。由于已知的凌星信號真實樣本太少,沒法有效、精確訓練神經網絡。研究團隊根據凌星信號圖像的物理特征創新地設計和生成各種可能的凌星信號,然后加入200萬個利用Kepler真實光變數據人工合成的光變曲線上進行訓練。訓練后的神經網絡再應用在Kepler的數據集中并和GPU快速折疊算法一起使用搜尋數據中的超短周期凌星信號。這種GPFC新算法比國際上流行的先進的BLS法搜尋速度提高了約15倍,檢測準確度和完備度各提高約7%。這些性能的提高幫助團隊發現了這5顆半徑很小的超短周期行星。這些火星大小的行星提供了更加多樣化的系外行星樣本,為理解超短周期行星形成機制提供新線索。


    放荡的熟妇高清视频
    <bdo id="c6gsw"></bdo>
    <optgroup id="c6gsw"><rt id="c6gsw"></rt></optgroup>
  • <bdo id="c6gsw"><noscript id="c6gsw"></noscript></bdo>