由中国科学院上海天文台葛健教授率领的国际科研团队，近期在恒星测光数据研究中取得了突破性进展。他们研发出一种结合GPU相位折叠和卷积神经网络的深度学习算法GPFC，并成功在开普勒（Kepler）2017年释放的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。
该算法相较于国际上流行的BLS法，搜寻速度提高了约15倍，检测准确度和完备度也各提高了约7%，显著提升了凌星信号的搜索速度、精度和完备度。
▲ 已知行星半径和行星轨道半长轴分布以及五个新发现的超短周期行星（红点）
这五颗新发现的行星分别是Kepler-158d、Kepler-963c、Kepler-879c、Kepler-1489c和Kepler-2003b。其中，Kepler-879c、Kepler-158d、Kepler-1489c和Kepler-963c位列迄今为止发现的最小超短周期行星中的前四和第五名，它们的大小类似火星，且距离其主星非常近。
这些新发现的超短周期行星对于研究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）具有重要意义。它们为行星形成理论研究提供了新的关键线索。
该研究成果不仅展示了人工智能在天文学领域的应用潜力，还为在高精度光度观测数据中快速而高效地搜寻凌星信号提供了新的研究方式。这一创新性的方法有望为未来的天文研究开辟新的道路。
