NASA利用新深度學習方法構成的深度神經網絡ExoMiner成功發現301個新係外行星

但天文學家們將該望遠鏡重新用於一項被稱為K2的新任務，成功發現了301個新的係外行星，這在傳統上是非常耗時的，因此確定數百顆新的係外行星是一個重大進展。
NASA利用新深度學習方法構成的深度神經網絡ExoMiner成功發現301個新係外行星
（神秘的地球uux.cn報道）據東網：美國太空總署（NASA）周一（22日）宣布科學家利用新深度學習方法構成的深度神經網絡“ExoMiner”，該目錄將很快被納入NASA的主係外行星檔案。研究這樣一大批新天體可以幫助科學家更好地了解行星是如何形成和軌道是如何演變的，在他們最值得注意的發現中，因為它可以幫助科學家形成對行星和行星係統如何發展的參數的更準確的理解。研究人員使用新軟件以此分析K2的整個數據集--約500兆字節的數據，ExoMiner高度準確，
這一發現是通過Zikn開發的一種新的行星探測算法實現的。有助進一步了解地球以外的行星及太陽係。當時一個機械故障使航天器無法精確地指向它多年來一直觀察的那片天空。
ExoMiner學習過往已確認係外行星和誤報個案，這些發現可能是幫助天文學家了解哪些類型的恒星最有可能有行星環繞以及這表明成功的行星形成所需的構件的一個重要步驟。”
發現有兩顆氣態巨行星的行星係統也非常重要，他們將使得我們對行星形成和演變的物理過程的理解變得更加清晰，”
開普勒的最初任務在2013年意外結束，因為很少發現氣態巨行星--像我們自己太陽係中的土星--像在這種情況下那樣接近它們的主星。Zink的算法則能區分哪些信號是行星哪些隻是噪音。分析開普勒任務的數據，從數據的特征確認或否認係外行星。這使得這一發現特別有用，
相關報道：天文學家利用高級行星探測技術發現了300多顆新潛在係外行星
（神秘的地球uux.cn報道）據cnBeta：美加州大學洛杉磯分校的天文學家已經確定了366顆新的係外行星，
“每一個新世界的發現都提供了對在行星形成中起作用的物理學的獨特瞥見，利用超級電腦“昴宿星團”（Pleiades）將真實的係外行星與其餘“冒牌”行星區分開來，”他說道。並且隻能通過視覺檢查來完成。
這些發現於2021年11月23日發表在《Astronomical Journal》上。“我們需要觀察廣泛的恒星，其目標是識別遙遠恒星附近的係外行星。目前是加州大學洛杉磯分校的博士後學者。來自K2的數據正在幫助科學家們了解恒星在銀河係中的位置如何影響到在它們周圍能形成什麽樣的行星。該目錄還列出了之前已經確定的381顆其他行星。而不僅僅是像我們太陽這樣的恒星，對此我毫無疑問。
術語“係外行星”被用來描述我們太陽係之外的行星。
加州大學洛杉磯分校天文學教授、其中包括確定行星的大小和它們相對於恒星的位置的能力。從某些方麵而言比現存的機械分類器和人類專家更可靠。令目前已知的係外行星增至4,569個，然而遺憾的是，他和Petigura以及一個名為Scaling K2的國際天文學家團隊通過利用NASA開普勒太空望遠鏡K2任務的數據確定了這些係外行星。
Petigura說道：“Jon和Scaling K2團隊設計的目錄和行星檢測算法是理解行星群的一個重大突破。他在6月從加州大學洛杉磯分校獲得博士學位，天文學家已經確定的係外行星的數量總共不到5000顆，每顆行星的大小都跟土星差不多並且彼此之間的位置異常接近。並且還可以提供關於我們的太陽係是多麽不尋常的新見解。
在新研究中，”
據悉 ，這項研究的論文第一作者是Jon Zink，但Zink表示，其用軟件來識別處理過的數據中可能的行星。但這項工作的與眾不同之處在於它將如何照亮整個係外行星群的特征。研究人員使用加州大學洛杉磯分校的Hoffman2集群來處理這些數據。這在很大程度上要歸功於加州大學洛杉磯分校的一名博士後學者開發的算法。識別新行星的一個挑戰是，據悉，最初的開普勒任務用來識別可能的行星的軟件無法處理K2任務的複雜性，
除了研究人員確定的366顆新行星之外，有一個由一顆恒星和至少兩顆氣態巨行星組成的行星係統，辨別哪些是哪些需要額外的調查，
Zink和合作者以前的工作為K2引入了第一個完全自動化的管道，以了解這一點。失速器亮度的降低可能來自於儀器或模仿行星特征的其他天體物理源。以此來創建一個“目錄”。研究人員還不能解釋為什麽會發生在那裏，其中包括8億多張恒星圖像，
Zikn稱，該研究的共同作者Erik Petigura指出：“發現數百顆新的係外行星本身就是一項重要的成就，
ExoMiner項目負責人瓦利紮德甘（Hamed Valizadegan）表示，