现在，使用谷歌人工智能从NASA的数据中寻找行星

谷歌的人工智能(AI)系统分析了美国国家航空航天局(NASA)的行星狩猎探测器的数据，以识别最有希望的信号，现在已经公开，以帮助业余科学家发现宇宙中的新世界。该系统最近通过训练神经网络来分析美国宇航局开普勒太空望远镜的数据，并准确识别最有希望的行星信号，从而发现了两颗系外行星。

这是通过对大约700颗恒星的初步分析完成的。谷歌大脑团队的高级软件工程师克里斯·沙卢（Chris Shallue）在一篇博客文章中写道：“我们认为这是使用机器学习发现系外行星的成功概念证明，更广泛地说，是使用机器学习在各种科学学科中取得有意义成果的又一个例子。”Shallue写道：“我们很高兴发布我们的代码，用于处理开普勒数据，训练我们的神经网络模型，并对新的候选信号进行预测。”

“我们希望这次发布将证明是一个有用的起点，为美国宇航局的其他任务开发类似的模型，如K2（开普勒的第二次任务）和即将到来的凌日系外行星调查卫星任务，”他写道。开普勒望远镜通过测量恒星的亮度来寻找行星。当一颗行星从恒星前面经过时，它会暂时阻挡一些光线，这导致测量的亮度降低，然后很快又增加。

然而，其他天文和仪器现象也会导致恒星的测量亮度降低，包括双星系统、星斑、宇宙线对开普勒光度计的撞击，以及仪器噪声。为了在开普勒数据中寻找行星，科学家使用自动化软件检测可能由行星引起的信号，然后手动跟进，以决定每个信号是行星还是假阳性。

为了避免被他们所能处理的更多信号淹没，科学家们对自动化检测应用了一个截断：那些信噪比高于固定阈值的检测被认为值得后续分析，而所有低于阈值的检测都被丢弃。即使有了这个截止时间，迄今为止，已经有超过30，000个探测到的开普勒信号被人工检查，其中大约2500个已经被证实是真正的行星。

谷歌大脑团队将机器学习应用于各种各样的数据，从人类基因组到草图，再到形式化的数理逻辑。Shallue说：“考虑到开普勒望远镜收集的大量数据，我们想知道如果我们使用机器学习来分析一些以前未经探索的开普勒数据，我们可能会发现什么。”该小组与位于美国的德克萨斯大学奥斯汀分校合作，开发了一种神经网络来帮助搜索低信噪比的行星探测。

大约30，000个开普勒信号已经被人类手动检查和分类。Shallue说：“我们使用了大约15000个这些信号的子集，其中大约3500个是经过验证的行星或强有力的候选行星，来训练我们的神经网络来区分行星和假阳性。”通过在670颗恒星中搜索新行星，测试了该系统的有效性。

“我们选择这些恒星是因为它们已经知道有多个轨道行星，我们相信其中一些恒星可能拥有其他尚未被探测到的行星，”Shallue说。“我们允许我们的搜索包括低于天文学家以前认为的信噪比阈值的信号，”他说。神经网络拒绝了大多数这些信号，认为它们是虚假的检测，但少数有希望的候选信号上升到了顶端，包括两颗新发现的行星：开普勒-90 i和开普勒-80 G。该模型现在可供公众使用，允许研究人员进一步训练它，并发现更多的行星。