中国科学院上海天文台葛健教授带领的国际团队，近期在探索宇宙奥秘方面取得了突破性进展。他们创新性地结合GPU相位折叠和卷积神经网络，开发出一种深度学习算法（GPFC），并成功在开普勒望远镜2017年的恒星测光数据中，发现了五颗直径小于地球、轨道周期短于1天的超短周期行星，其中四颗是目前发现的最接近其主星的最小行星，大小与火星相当。
这一成就标志着天文学家首次利用人工智能，一次性完成了搜寻疑似信号和识别真信号的任务，为理解超短周期行星的形成机制提供了新的线索。相关研究成果已在国际天文学期刊《皇家天文学会月报》上发表。
超短周期行星在类太阳恒星中的发生率极低，仅为0.5%左右。截至目前，总共只发现了145颗此类行星，其中小于地球半径的仅有30颗。研究团队经过五年的努力，成功开发出GPFC算法，其搜寻速度比国际上流行的BLS法提高了约15倍，检测准确度和完备度也各提高了约7%，显著提升了凌星信号的搜索速度、精度和完备度。
这些超短周期行星的发现，为行星系统的早期演化、行星-行星相互作用以及恒星-行星相互作用的动力学研究提供了重要线索，对行星形成理论研究具有重大意义。同时，这一研究成果也为在高精度光度观测数据中快速、高效搜寻凌星信号提供了新的研究方式，充分展现了人工智能在天文海量数据中探寻微弱信号的广泛应用潜力和前景。
“超短周期行星，或称‘熔岩世界’，是我非常感兴趣的系外行星类型。它们具有极端和出乎意料的特性，为我们理解行星轨道如何随时间变化提供了重要线索。我本以为开普勒望远镜数据中的凌星信号已经被充分挖掘，不会再有新的行星发现。听到这些新的潜在行星的消息，我感到非常兴奋，这项寻找新行星的技术成就令人印象深刻。”普林斯顿大学天体物理学家约书亚·温教授对此评价道。
葛健教授表示：“要想在海量的天文数据中使用人工智能挖掘到极其稀少的新发现，就需要不断创新人工智能算法，并依据新发现现象的物理图像特征生成大量人工数据集进行训练，使之能快速、准确、完备地探寻到这些在传统方式下很难找到的稀少而微弱的信号。”
