近日，由中国科学院上海天文台葛健教授带领的国际团队创新了一种结合GPU相位折叠和卷积神经网络的深度学习算法，并成功在开普勒望远镜2017年释放的恒星测光数据中发现了五颗直径小于地球、轨道周期短于1天的超短周期行星，其中四颗是迄今为止发现的距其主星最近的最小行星，类似火星大小。

这是天文学家首次利用人工智能一次性完成搜寻疑似信号和识别真信号的任务。这些火星大小的行星提供了更加多样化的系外行星样本，为理解超短周期行星形成机制提供新线索。相关研究成果发表在国际天文学期刊《皇家天文学会月报》上。

超短周期行星在类太阳恒星的发生率很低，只有大约0.5%。到目前为止，总共只找到了145颗超短周期行星，其中只有30颗小于地球半径。

经过5年的努力和创新，研究团队成功开发了结合GPU相位折叠和卷积神经网络的深度学习的新算法（GPFC）。该算法比国际上流行的BLS法搜寻速度提高了约15倍，检测准确度和完备度各提高约7%，显著提高了凌星信号搜索速度、精度和完备度。

这些超短周期行星的存在为行星系统的早期演化、行星-行星相互作用以及恒星-行星相互作用的动力学（包括潮汐力和大气侵蚀）研究提供重要线索，对行星形成理论研究有重大意义。该研究成果对在高精度光度观测数据中快速、高效搜寻凌星信号提供了新的研究方式，也充分显现了人工智能在天文海量数据中探寻微弱信号的广泛应用潜力和前景。

“超短周期行星，或称‘熔岩世界’，是我最喜欢的系外行星类型之一。它们拥有极其极端和出乎意料的特性，为我们理解行星轨道如何随时间变化提供线索。我原以为开普勒望远镜数据中的凌星信号已经被挖掘殆尽，不会再有其他行星发现，听到这些新的潜在行星的消息让我非常兴奋，这项寻找新行星的技术成就让我印象深刻。”普林斯顿大学天体物理学家约书亚·温教授说。

葛健表示：“要想使用人工智能在海量的天文数据中‘挖’到极其稀少的新发现，就需要发展创新的人工智能算法，同时需要依据新发现现象的物理图像特征生成的大量人工数据集做训练，使之能快速、准确、完备地探寻到这些很难在传统方式下找到的稀少而微弱的信号。”