科学家首次以机器学习方法发现行星

英国华威大学科学家，利用机器学习技术，从上千万个候选行星，挑选出真正的行星，这是天文学家第一次使用机器学习分析潜在行星样本，从候选行星中确认出真正的行星，还一次找出了50颗新行星。由于机器学习比旧方法能更快获得结果，并且可以自动化，能够有效加速行星探索的速度。

目前不少搜寻系外行星使用凌日法（Transit），透过寻找行星经过望远镜和恒星中间的讯号，来发现候选行星。当行星通过望远镜和恒星中间，望远镜探测到的恒星亮度会明显下降，也就是说，当科学家锁定大量恒星，并寻找周期性变暗的恒星，就能发现可能存在的系外行星。虽然理论很单纯，但是实际操作起来有许多复杂因素需要排除，研究人员提到，双星系统或是背景物体的干扰，甚至因为相机微小的误差，都可能影响观测结果。

在行星验证过程，必须要排除被误判为行星的伪阳性结果，而华威大学的研究人员，建立了一个机器学习系统，来帮助人们验证从NASA克普勒与TESS等太空望远镜，所发现成千上万个候选行星，找出真正的行星。训练模型的资料集，来自NASA克普勒太空望远镜两大经确认的行星以及伪阳性样本。

这次科学家发表的成果，他们最找到了50颗行星，这50个行星大小，最大的与海王星相当，也有比地球还小的行星，行星轨道有长达200天，也有短至1天，经机器学习验证后的行星，天文学家就能够透过专用的望远镜，优先执行进一步的观测。

过去的机器学习技术，仅能对候选行星进行排名，但无法确定候选者是否为真正的行星，但这个步骤是行星验证的必要阶段。华威大学物理系博士David Armstrong提到，过去没有科学家，真正应用机器学习技术验证行星，顶多仅用来排名候选者，找出可能为行星的候选者，但是最新的机器学习系统，现在可以切确的算出概率，当候选者被确认为行星的伪阳性概率小于1％，便可以确认其为经验证的行星。

有50个候选行星，通过研究人员所开发的算法阈值筛选，他们希望未来可以将这个技术，用于TESS和PLATO等当前或是未来的行星寻找任务中，大规模搜寻太空中的行星，因为像是TESS太空望远镜执行的调查，可能一次发现成千上万的候选行星，而机器学习方法能够一致且快速地分析验证这些发现，使得探索行星任务更有效率。