該算法背後的團隊來自華威大學,向其提供了龐大的數據集,這些數據集來自美國宇航局現已退休的克卜勒任務和2018年發射的過渡系外行星測量衛星。
科學家們希望他們的研究能夠為未來的行星驗證技術鋪平道路。當前的用於發現和確認其他行星存在的技術很容易受到噪聲,背景中物體的幹擾甚至相機誤差的影響。
該團隊通過傳授已確認行星與假陽性之間的差異來訓練算法。然後,他們將其釋放到一個尚未經過行星候選驗證的單獨數據集上。
研究小組說,該算法能夠確認50個新行星,這在天文學史上尚屬首次。
「我們開發的算法使我們可以跨越五十個候選行星進行行星驗證,將其升級為真實行星,」沃裡克大學物理系的戴維•阿姆斯特朗(David Armstrong)以及該論文的主要作者發表在《月刊公告》上。皇家天文學會上周在一份聲明中說。
行星有各種大小。有些像海王星一樣大,而另一些甚至比地球還小。
阿姆斯特朗解釋說:「我們現在不必說出哪些候選人更可能是行星,而是可以說出確切的統計可能性是什麼。」 「如果候選人被誤報的機率小於1%,則被認為是經過驗證的星球。」
它不僅非常有效,而且算法完全可以自己快速地工作。「我們仍然必須花時間訓練算法,但是一旦完成,將其應用於未來的候選人變得容易得多,」阿姆斯特朗補充說。
「我們希望將此技術應用於當前和未來任務的大量候選樣本,例如TESS和PLATO(行星軌道和恆星振蕩,這是一臺將於2026年發射的太空望遠鏡)。」
根據研究的作者,機器學習算法是完全自動化的,並且能夠以比原本更快的速度將假陽性從真實系外行星中分離出來。科學家認為,將來在確認發現時應組合多種系外行星確認方法,包括其自身的自動算法。
阿姆斯特朗博士解釋說:「迄今為止,僅使用一種方法就已經驗證了大約30%的已知行星,但這並不理想。」 「僅出於這個原因,就需要開發新的驗證方法。但是機器學習也使我們能夠非常快地做到這一點,並更快地對候選者進行優先級排序。」
展望未來,研究人員打算繼續訓練該算法,並希望將其算法應用於由TESS收集的更大的候選系外行星樣本,以及將來的任務,例如ESA計劃中的行星軌道和恆星振蕩(PLATO)任務。
獲取更多科技新鮮資訊,歡迎訂閱關注「科技全頻」。