據外媒報導，天文學家首次使用機器學習算法–一種自我學習的人工智能–來確認系外行星的存在，這些數據則都是由現已退役的開普勒太空望遠鏡收集得到。據悉，該算法最終確認了50顆系外行星，從海王星大小的氣態巨行星到比地球小的外行星。

1995年，一個歐洲天文學家小組首次宣布了繞外星星球運行的行星Pegasi b，這顆熱氣體星球的大小是木星的一半。而自這一發現之後，人類就開始一直在狂熱地搜尋可能潛伏我們星系的其他世界的證據。隨著時間的推移，行星搜索技術不斷發展，專門的望遠鏡如開普勒望遠鏡和後來的TESS相繼發射升空，它們在廣闊的天空中尋找隱藏世界的證據。當一顆行星從它的圓盤和觀測望遠鏡的大眼之間穿過時，一顆遙遠的恆星發出的光線會周期性地傾斜，這就是證據。這種發現系外行星的方法被稱為凌日法。

這些努力沒有白費。天文學家已經發現了超4200個在太陽系外運行的行星以及超5000個候選系外行星。然而這些候選行星還需要進一步的觀察才能確定其是否為系外行星。

現在，天文學家們開始尋求機器學習的幫助，這種AI技術可以幫助他們篩選望遠鏡的海量數據並從真正具有科學意義的系外行星中剔除掉誤報的情況。

機器學習算法，顧名思義就是能從過去的經驗中學習並隨時間的推移逐步提高其準確性和性能。

來自華威大學物理系和艾倫·圖靈研究所的科學家們建立了一個尋找系外行星的算法，並通過將現已不存在的開普勒太空望遠鏡捕獲的兩大數據樣本輸入該算法進行訓練。其中一個數據集是已經確認的行星，另一個數據集是已知的誤報數據。

隨後，該團隊對開普勒檔案中未被確認的系外候選行星樣本進行了運算。任何假陽性概率小於1%的系外行星都會被歸類為已確認行星。

“就行星驗證而言，之前還沒有人使用過機器學習技術，”這篇新論文的作者之一、華威大學的David Armstrong博士評論道，“機器學習已被用於對候選行星進行排序，但從來沒有在概率框架中使用過，而概率框架是真正驗證一顆行星所需要的。我們現在可以說出精確的統計可能性，而不是說哪些候選者更有可能是行星。”

據悉，該算法能從候選數據中統計確認50顆系外行星的存在，範圍從比地球還小的小型外星世界到跟海王星一樣大小的巨大氣體星球。

該研究的論文作者表示，機器學習算法是完全自動化的，其能以更快的速度從真正的系外行星中分離出誤報數據。科學家們認為，未來確認發現時，應該結合多種系外行星確認方法。

“截止到目前，約有30%的已知行星僅用一種方法進行了驗證，這並不理想，”Armstrong指出，“僅僅因為這個原因，開發新的驗證方法是可取的。與此同時機器學習還能讓我們做得非常快並以更快的速度對候選者進行優先排序。”

接下來，研究人員打算繼續訓練該算法並希望將他們的算法應用於TESS收集的更大的候選系外行星樣本以及未來的任務，如ESA計劃的PLATO任務。