近（jìn）期，由（yóu）中国科学院上（shàng）海天文（wén）台（tái）的葛健教授领导的一个国际科研团队，在运用（yòng）人工智（zhì）能技术分析开普勒太（tài）空（kōng）望远镜于2017年发布的恒星光度数据中，取得了突破性成果，他（tā）们发现了5颗前所未（wèi）有的超短周期行星（xīng）。这些行星（xīng）的直径均（jun1）小于地球，且围绕（rào）其主星旋转（zhuǎn）的周期不足一天（tiān），其中4颗与火（huǒ）星大小相仿，是（shì）迄今为止探测到的距离主星最近的微型行星。这一发现标志（zhì）着天文学家首次利用（yòng）人工智能技术，在同一过程中既搜寻到疑似信号（hào）又成功识别出真实（shí）信号（hào），相关（guān）研究成果已在《皇家天文学（xué）会月报》（MNRAS）这一国际天文（wén）学权（quán）威（wēi）期刊（kān）上发表（biǎo）。

艺术构想（xiǎng）图示展示了这些新发现的、类似火（huǒ）星大小的超短（duǎn）周期系（xì）外行（háng）星。由于（yú）它们与主星（xīng）的（de）距离极近，这些行星的表（biǎo）面（miàn）温度极高，同时受到强烈的潮汐力作用，导致（zhì）其内部结（jié）构和表面形（xíng）态（tài）受到挤压，可能引发频繁的（de）火（huǒ）山（shān）活动。（绘图：石琰）

超短周期系外（wài）行（háng）星的概念自（zì）2011年起（qǐ），便随着（zhe）开普勒太空望远镜的（de）光（guāng）度数据而进入科（kē）学视野，为行星形成理论带（dài）来了新的视角和挑战（zhàn），促使科学界（jiè）重新（xīn）评估并完善了现有（yǒu）的行（háng）星系（xì）统形成与演化模型。

葛健教（jiāo）授（shòu）指出，超短周期（qī）行星（xīng）的发现对（duì）于（yú）研究行星（xīng）系统的早期发（fā）展阶段、行星间的相互（hù）作用以及恒星（xīng）与行星间的动（dòng）态关系（包括潮汐力（lì）和大气侵蚀效（xiào）应）具（jù）有重要意义。这类行星可能（néng）并非（fēi）在其当前位（wèi）置（zhì）形成，而是经历了（le）从更远轨道向内的（de）迁移。考虑到这些（xiē）行星的（de）主（zhǔ）星在其早期形成阶段体积远大于（yú）现（xiàn）在，那些原（yuán）本就靠近恒星的超短周期行星若在那（nà）个（gè）时期就已存在（zài），很可能已被主星吞噬。此外，鉴于超短周期行星往往（wǎng）伴随着（zhe）轨道周期较长的外部行（háng）星被发（fā）现，科学家推（tuī）测（cè），超短周期行星（xīng）的起源可能与行（háng）星间的相互作用有关，这（zhè）些（xiē）相互作用将（jiāng）超短周期行星重新安（ān）置到了它（tā）们现在紧邻（lín）主星的轨道上（shàng），这些轨（guǐ）道在恒星（xīng）形成（chéng）初期可能原本由恒星自身占据。另外（wài），这种轨道（dào）迁移（yí）也可能（néng）是由原行星盘的相（xiàng）互作用或与主星的潮汐（xī）相互作用（yòng）所驱动的。

然而，超短周期行（háng）星在类似太阳的（de）恒星（xīng）周围相对罕（hǎn）见（jiàn），发生率仅为约0.5%，通常其半径（jìng）小于地球的两倍，或是在极端情况下，如超（chāo）热木星，其半（bàn）径可超（chāo）过地球的十倍。迄今为止，人类总共仅探测到145颗（kē）超短周期行星（xīng），其中仅30颗的半（bàn）径小于地球。葛健表示：“由（yóu）于（yú）样本量有限，我们对超短周期行星的了解仍然（rán）非常有限，难以（yǐ）准确掌握它们的统计特征和出现率（lǜ）。”

这（zhè）项新研（yán）究（jiū）为（wéi）探索（suǒ）超短周（zhōu）期（qī）行星提供了创新的途径——研究（jiū）团队开发（fā）了（le）一种（zhǒng）结合图（tú）形（xíng）处（chù）理器（qì）（GPU）相（xiàng）位折叠技术和卷积神经网络的深度学习（xí）算法。普（pǔ）林（lín）斯（sī）顿大学的天体物（wù）理学家（jiā）乔西·温教授对此评论道：“超短周期行星，或称‘熔岩世（shì）界’，因其极（jí）端且出人意料的特性，为我们揭（jiē）示（shì）了行星（xīng）轨道随时间变化的线索。我曾以为（wéi）开普勒数据中的凌（líng）星信（xìn）号已（yǐ）被（bèi）充分挖（wā）掘，不会再有新行星被发现。但这项新（xīn）技术的应用成就令我深感震撼。”

葛（gě）健（jiàn）透露（lù），这项工作的实际启动可（kě）追溯至2015年。当时（shí），在佛罗里（lǐ）达大学（xué）计算机（jī）系李晓林教授的启发下，他们开始尝试将人（rén）工智能的深度学习技术应用于（yú）开普勒发布的光度数据，以期（qī）发现传统（tǒng）方法遗（yí）漏的微弱凌星（xīng）信号。经过近十（shí）年（nián）的不懈努力，他们终于迎来了首（shǒu）次重大发现。“要在海量的天文数据中利用人工智能挖掘出极为罕见的新天体，不仅需要（yào）创新的人工智能算法（fǎ），还需要（yào）基于（yú）新发现现（xiàn）象的物（wù）理特征（zhēng）构（gòu）建的大（dà）量人工（gōng）数据集进行（háng）训（xùn）练，以确保（bǎo）能够（gòu）快速（sù）、准确且全面地探测到这些在传统（tǒng）方法下（xià）难以捕捉的微弱信号。”葛（gě）健（jiàn）强调（diào）。