用AI分析TESS数据发现百颗新系外行星

AI分析TESS数据助力系外行星新发现

这幅艺术家插画展示了一颗超短周期行星绕其恒星运行的场景。这类系外行星绕恒星运行一周所需时间不到一个地球日。一些科学家认为，这些系外行星是曾经体积大得多的气态巨行星剩下的岩石核心，其大气层已被恒星剥离。图片来源：美国国家航空航天局（NASA）、欧洲空间局（ESA）以及A。Schaller（为空间望远镜科学研究所STScI绘制）

人工智能（AI）和机器学习（ML）正在为天文学做出越来越大的贡献。随着强大的望远镜和大型自动化巡天项目变得越来越普遍，它们产生的海量数据需要同样强大的诊断工具。维拉鲁宾天文台及其巨大的数据生成能力就很好地说明了这一点。该天文台的时空遗产巡天项目每晚生成多达20太字节的数据，这些数据在专门的设施中进行处理。

鲁宾天文台是数据生成领域的佼佼者，但开普勒、苔丝等系外行星探测任务也会产生需要分析的自身数据。科学家们仍在处理这些数据，并且随着时间的推移，他们正越来越多地、更好地利用人工智能与机器学习技术来挖掘这些数据，寻找未被发现的系外行星。

一组科学家开发了一款专门针对TESS的机器学习工具。它名为RAVEN，是系外行星排序与验证（RAnkingandValidationofExoplaNets）的缩写。开发该工具的科学家将RAVEN描述为一款新开发的TESS系外行星候选体审查与验证流程。

在一项研究中，一组系外行星研究人员使用RAVEN工具分析了超过200万颗恒星的TESS凌星数据。该研究的标题为《使用RAVEN在TESSSPOCFFIs中自动搜索凌星行星：超过100颗已验证行星及2000多颗经审查的候选行星》，发表于《皇家天文学会月刊》。主要作者是华威大学博士后研究员MarinaLafargaMagro博士。

研究人员写道：尽管已确认的系外行星数量众多，但尚未确认的候选行星数量甚至更多。确认凌日候选行星的主要挑战之一是这类搜索中常见的大量假阳性信号（FPs）。假阳性信号包括食双星、恒星变异性或仪器系统产生的信号，以及在背景星或邻近星中产生凌日现象的层级系统。这些信号可能看起来像凌日行星，导致处理流程产生混淆。

这项研究中，研究人员关注的是离其恒星非常近的系外行星。作者解释道：我们的目标是检测轨道周期在0。5至16天范围内的候选行星。这其中包括轨道周期小于一个地球日的行星，被称为超短周期行星（USP）。这些行星因其诸多特性而备受关注。科学家认为它们不可能在当前所处的位置形成，肯定经历过迁移。它们的大气层也已被其恒星吹走。由于离恒星距离极近，它们也更容易被检测到。

RAVEN的结果令人印象深刻。

使用我们新开发的RAVEN管道，我们验证了118颗新行星，以及2000多颗高质量的行星候选体，其中近1000颗是全新的，主要作者马格罗在一份新闻稿中表示。这是特征最明确的近距行星样本之一，将帮助我们确定未来研究中最具前景的系统。

一些系外行星群体需要更好的了解，RAVEN验证了几个不同群体的成员。这些包括超短周期行星（USPs）、近轨道多行星系统以及位于海王星沙漠的系外行星。海王星沙漠是系外行星群体中的一个奇特现象。它指的是恒星附近的一个区域，那里系外行星的轨道周期约为2到4天。天文学家在这个区域发现的海王星质量系外行星非常少。

凌日系外行星勘测卫星（TESS）通过行星从恒星前方经过时恒星的亮度变暗来识别系外行星。虽然这种方法有效，但容易出现假阳性结果。

挑战在于确定这种变暗现象确实是由环绕恒星运行的行星引起的，还是由食双星等其他事物引起的——这正是RAVEN试图回答的问题。它的优势源于我们精心创建的数据集，其中包含数十万颗真实模拟的行星以及其他可能伪装成行星的天体物理事件。我们训练了机器学习模型来识别数据中的模式，从而判断我们检测到的事件类型，这正是AI模型所擅长的。领导该流程开发的华威大学的安德烈亚斯哈吉乔治乌博士表示。

此外，RAVEN被设计为可一次性处理整个流程，从信号检测，到利用机器学习进行审查，再到统计验证。这使得该流程管道相较于仅关注工作流特定部分的同类工具具有额外优势。

研究人员强调，RAVEN不仅仅是另一个自动化机器学习工具，它的作用也不只是生成一份潜在系外行星候选名单。华威大学副教授、资深合著者大卫阿姆斯特朗博士表示，它足够强大，能够绘制类太阳恒星周围不同类型行星的分布情况。

这张图显示了RAVEN在TESS数据中发现的2170个候选天体。其中超过一半是新候选天体，显示为非TESS感兴趣天体社区TESS感兴趣天体。实心灰线和灰色阴影区域显示了海王星沙漠的界限，虚线灰线显示了最近推导的海王星沙漠、海王星脊和海王星草原之间的界限，作者写道。这三个特征定义了具有短轨道周期的海王星大小系外行星的种群。图片来源：M。Lafarga等人，MNRAS。

RAVEN的研究结果让他们能够比以往更详细地绘制出轨道周期和行星大小的图谱。这在系外行星科学中至关重要。新闻标题常常大肆宣传发现了一颗具有有趣特性的新行星，但这些行星并不能代表系外行星的整体种群。科学家真正想要的是对系外行星种群更详细的了解。自然界的真实模式只有从更优质的数据中才能显现出来。行星如何形成、演化、发展大气和地质循环——甚至它们如何迁移——是理解像地球这样的世界如何形成，以及它如何在数十亿年里保持宜居状态的关键。

在这种背景下，研究那些没有宜居可能的系外行星仍然具有意义。研究人员得以确定类太阳恒星周围近距离系外行星的出现频率，并且对海王星沙漠有了更深入的了解。

结果显示，大约8％到10％的类太阳恒星拥有近距行星。这与开普勒任务的结果一致，但在此次研究中，RAVEN能够非常有效地降低开普勒数据的不确定性。

该图是样本中705颗TOI行星的对数尺度半径周期图。它们叠加在轨道周期小于16天的已知行星群体的密度图上。TOI行星根据其RAVEN概率进行着色，以展示该工具在参数空间中的性能。图片来源：Hadjigeorghiou等人，近期发表于《皇家天文学会月刊》。

研究结果还表明，海王星沙漠确实是一片近乎荒芜的系外行星荒原。在类太阳恒星中，只有0。08％的恒星周围存在位于海王星沙漠区域的行星。

我们首次能够用精确的数字来描述这片‘沙漠’究竟有多空旷，华威大学博士后研究员崔开明博士表示。崔博士同时也是另一项研究的第一作者，该研究题为《环绕FGK主序星运行的近距TESS系外行星的人口统计》，同样发表在《皇家天文学会月刊》（MNRAS）上。

崔表示：这些测量结果表明，TESS现在能够在研究行星群体方面与开普勒相媲美，在某些情况下甚至超越了它。