英国华威大学（University of Warwick）的一个研究团队近日在《皇家天文学会月报》（MNRAS）上发表了两项重要研究，揭示了利用人工智能（AI）在NASA凌日系外行星巡天卫星（TESS）数据中发现系外行星的巨大潜力。该团队开发了一款名为RAVEN（Robotic Exoplanet Validation Network）的自动化管道，成功验证了118颗全新的系外行星，并识别出近1000颗高质量的行星候选体，其中近半数是首次被发现。

这项研究基于TESS任务前四年对超过220万颗恒星的观测数据进行详细分析。研究人员特别关注了那些轨道周期小于16天的近距行星。通过这种方法，他们对这类短周期行星的普遍性进行了迄今为止最精确的测量之一。

该研究的第一作者、华威大学博士后研究员玛丽娜·拉法加·马格罗（Dr. Marina Lafarga Magro）表示：“利用我们新开发的RAVEN管道，我们验证了118颗新行星，以及超过2000颗高质量的行星候选体，其中近1000颗是全新的。这代表了迄今为止对近距行星样本特征描述最佳的成果之一，将帮助我们识别出最有前景的系统以供未来研究。”

稀有和极端行星类型被识别

新确认的行星中包含了几类特别有趣的类型。其中包括一些超短周期行星，它们在不到24小时内就能完成围绕其恒星的完整轨道。另一些则属于所谓的“海王星沙漠”区域，根据现有理论，该区域预计很少有行星存在。这项研究还揭示了紧密排列的多行星系统，包括以前未知的围绕同一恒星运行的行星对。

RAVEN如何改进行星探测

现代行星探测任务通常会标记出数千个可能的行星信号，但确定哪些信号是真实的仍然十分困难。许多虚假信号，例如食双星，都可能模拟出行星凌日现象。

“挑战在于识别出光线变暗是否确实是由行星绕恒星运行引起的，还是由其他因素，比如食双星造成的，这正是RAVEN试图解决的问题。”华威大学的安德烈亚斯·哈吉乔治乌（Dr. Andreas Hadjigeorghiou）博士解释道，他领导了该管道的开发。“它的强大之处源于我们精心创建的包含数十万个真实模拟行星和其他可能伪装成行星的天体事件的数据集。我们训练了机器学习模型来识别数据中的模式，从而判断我们检测到的事件类型，这是AI模型擅长的领域。”

哈吉乔治乌博士补充说：“此外，RAVEN被设计成能够一次性处理整个流程，从信号检测到通过机器学习进行审查，再到统计学验证。这使得该管道相对于仅专注于工作流程特定部分的现有工具具有额外的优势。”

华威大学副教授、RAVEN研究的资深合著者戴维·阿姆斯特朗（Dr. David Armstrong）补充道：“RAVEN使我们能够一致且客观地分析海量数据集。由于该管道经过了充分测试和仔细验证，这不仅仅是一份潜在行星的列表——它也足够可靠，可以作为样本来绘制类太阳恒星周围不同类型行星的普遍性图谱。”

测量行星的真实普遍性

凭借这一经过仔细验证的数据集，研究人员能够超越个体发现，审视更广泛的模式。在另一项同期发表在《皇家天文学会月报》上的研究中，他们以前所未有的细节水平，根据轨道周期和行星大小，测量了类太阳恒星周围近距行星的出现频率。

结果显示，大约9-10%的类太阳恒星拥有一颗近距行星。这与NASA开普勒任务（Kepler mission）早期的发现相符——开普勒空间望远镜此前也测量过行星的出现率，但新的分析将不确定性降低了多达十倍。

该团队还首次直接测量了“海王星沙漠”行星的稀有性，发现它们仅出现在约0.08%的类太阳恒星周围。

华威大学博士后研究员、行星种群研究的第一作者崔开明（Dr. Kaiming Cui）表示：“我们首次能够精确量化这个‘沙漠’的空旷程度。这些测量结果表明，TESS现在在研究行星种群方面可以与开普勒匹敌，甚至在某些情况下超越开普勒。”

行星发现的新时代

总而言之，这些研究突显了人工智能的进步如何正在改变天文学领域。通过将海量数据集与机器学习相结合，研究人员不仅能够发现新的行星，还能通过具有挑战性的真实世界数据改进工具本身。

该团队还发布了交互式目录和工具，以便其他科学家可以探索这些结果，并识别出有前景的目标，以供使用地面望远镜和未来任务（如欧空局的PLATO任务）进行后续观测。

RAVEN是什么？

RAVEN是一个自动化系统，旨在解决天文学领域最大的挑战之一：将海量的空间望远镜数据转化为可靠的发现。它扫描数百万颗恒星的数据，寻找由行星从恒星前方经过引起的微小亮度下降。该系统随后利用经过真实模拟训练的人工智能来过滤掉虚假信号，例如双星或仪器噪声，然后对最强的候选体进行统计学确认。

重要的是，RAVEN还会评估哪些类型的行星更容易或更难探测，从而帮助研究人员纠正隐藏的偏差。这意味着它不仅加速了新世界的发现，而且还产生了更清晰、更可靠的数据集，可用于回答关于银河系中不同类型行星普遍性的更宏大问题。