220万颗恒星,AI 一口气筛完!RAVEN 从 NASA 数据里「捞」出 100 多颗隐藏行星

AI 下场找行星，这次来真的

过去我们听到「AI + 天文」，脑子里浮现的画面大概是：大模型读了一堆论文，输出一段总结。

这次完全不同。

Warwick 大学的天文学家团队发布了一个叫RAVEN的系统，干的活儿是——直接从 NASA 的 TESS 卫星观测数据里，把藏在恒星光变曲线中的行星信号挖出来，验证它们到底是真行星还是误报，然后交给人类做最终确认。

▲ Wes Roth 转发了这条消息：RAVEN 验证了 100+ 系外行星，含 31 颗新发现

直接看数字：100 多颗系外行星被验证，31 颗是此前从未确认过的新世界。

这不再是 AI 在旁边打下手。它站到了科学发现链条的正中间。

220 万颗恒星，人眼根本看不过来

先说 TESS。

TESS 是 NASA 的凌日系外行星巡天卫星（Transiting Exoplanet Survey Satellite），2018 年发射，专门盯着天上的恒星看：如果一颗行星从恒星前面经过，恒星亮度就会出现一次微小的、周期性的下降。这叫凌日法（transit method）。

▲ NASA TESS 任务主页：这颗卫星已经进入延伸任务阶段

原理简单，问题在于规模。

TESS 前四年观测了超过220 万颗恒星。每颗恒星都有自己的光变曲线，里面可能有行星凌日信号，也可能是噪声、仪器误差、双星系统的假警报。几百万条曲线摆在那里，天文学家一条一条看？

不可能。

这就是 RAVEN 出场的理由。

RAVEN 做了什么：三步流水线，从信号到行星

RAVEN 的关键在于，它把过去需要不同团队、不同工具、分好几步完成的工作，压缩成了一条端到端的自动化流水线。

▲ RAVEN 论文已在 arXiv 发布，标题就叫”Ranking and Validation of ExoPlanets”

具体来说，三个阶段：

第一步：Detect（检测）。从 TESS 光变曲线里自动搜索可能的凌日信号。220 万颗恒星，RAVEN 把每一条都扫了。

第二步：Vet（排雷）。用机器学习模型把明显的假信号踢掉。最常见的误报来源是食双星（eclipsing binary stars）——两颗恒星互相遮挡，光变曲线和行星凌日长得很像，但本质完全不同。RAVEN 的模型专门训练过，能把这类噪声挡在门外。

第三步：Validate（验证）。对剩下的候选目标做统计验证，计算”这个信号确实来自行星”的置信度。只有通过验证的，才会被标记为已确认行星。

这三步跑完，RAVEN 从海量数据中确认了 100 多颗系外行星，并且识别出上千个值得进一步研究的候选目标。

31 颗新行星，有些在理论预言「不该存在」的地方

100 多颗验证行星里，最引人注目的是 31 颗此前从未被确认的新世界。

其中一部分是超短周期行星（ultra-short-period planets）——轨道周期不到一天，也就是说，这些行星绕主星一圈只需要不到 24 小时。它们离恒星近到难以想象，表面温度极高，对行星形成和迁移理论有重要意义。

▲ Warwick 大学官方新闻稿：”AI approach uncovers dozens of hidden planets in NASA’s TESS data”

还有一个更有意思的类别：海王星沙漠（Neptunian desert）里的行星。

这个”沙漠”是天文学的一个理论预测区域。按理说，在离恒星很近的轨道上，海王星大小的行星应该极为稀少——因为恒星的强辐射会剥离行星外层大气，让它们没法保持海王星级别的气体包层。但 RAVEN 偏偏在这个区域找到了行星。

“Using our newly developed RAVEN pipeline, we were able to validate 118 planets, and over 2,500 other promising candidates, with nearly 1,000 of them orbiting bright stars — ideal targets for future atmospheric studies.”

「用我们新开发的 RAVEN 流水线，我们验证了 118 颗行星和超过 2500 个候选目标，其中近 1000 个围绕明亮恒星运行——它们是未来大气研究的理想对象。」

——Warwick 大学 Martin Callaghan 博士

这些发现不只是给天体目录加了几个编号。它们在测试我们对行星系统如何形成和演化的基本认知。

这件事的真正意义：AI 进入了「数据发现」环节

▲ Astronomy Now 报道标题：Artificial intelligence uncovers more than 100 new worlds in NASA data

回到更大的图景。

过去几年，AI 在科研里的角色大多是辅助性的——读论文、写代码、做实验设计、生成假设。但 RAVEN 干的事情不一样：它直接参与了科学发现本身。

天文学的结构性问题是：数据量远超人类的处理能力。TESS 一个卫星就产出了几百万条光变曲线，未来的巡天项目（比如 PLATO、Roman Space Telescope）数据量只会更大。如果每个候选信号都要人类手动筛查、交叉验证，真正卡住科学发现的，已经变成了”谁来看数据”。

RAVEN 给出了一个答案：让 AI 先把人类看不完的数据筛一遍，把最值得关注的候选对象推到研究者面前。

这个逻辑不只适用于天文学。蛋白质组学、气候科学、材料科学，都面临同样的困境——海量观测数据里藏着稀疏的异常信号，人眼和传统方法已经跟不上数据增长的速度。

RAVEN 验证了一个正在成形的范式：AI 处理噪声，人类做最终判断。科学发现的入口，正在被重新定义。

— END —