NASA聯合谷歌發現“第二個太陽系”，AI將為人類找出下一個地球？

北京時間12月15日凌晨，NASA聯合谷歌公佈了一項重大發現：在2545光年外，找到一顆新行星——開普勒90i，這使得人類首次在太陽系外，找到由8顆行星組成的行星系統。而在這一發現背後，是人工智慧在系外行星搜尋中的突破性應用。

編譯 | 許楠、顧金濤

編輯 | 吳非

數年前，開普勒天文望遠鏡在2545光年外發現了一顆大小與太陽相近的恆星：開普勒90。在隨後的觀測中，科學家發現了更多與太陽系相似的特徵：開普勒90擁有7顆行星，且較小的行星距恆星更近，而更大的行星佔據外側軌道。

在剛剛公佈的這項新發現中，NASA與谷歌聯合找出了該行星系統的第8顆行星：開普勒90i，

這使得人類首次在太陽系外，找到由8顆行星組成的行星系統。

藝術家筆下，開普勒90行星系統中的8顆行星（行星大小按比例描繪；距離不按照比例）

新發現的開普勒90i同樣是一顆類地行星，它比地球大了約30%，是該行星系統中距恆星第三近的行星。但與地球相比，開普勒90i離恆星更近，公轉一週僅需14。4天，而其宿主恆星也比太陽更熱，因此

它的表面平均溫度可能超過了800華氏度（約427攝氏度）

，與水星接近。顯然，這個溫度對於生物來說顯得太高了。

事實上，整個開普勒90行星系統就像是一個被壓縮的太陽系：即使是最外側的行星開普勒90h，與宿主恆星的距離比日地距離還要短。

開普勒90行星系統與太陽系的軌道對比

這個被稱作“第二個太陽系”的行星系統不含宜居的行星，這可能讓很多人略感失望。但相比於開普勒90i本身，這項研究更重大的意義在於，

人工智慧手段開始參與系外行星的搜尋，並且首次為人類找出此前被遺漏的行星。

開普勒太空望遠鏡

相比於主動發光的恆星，黯淡、渺小的系外行星往往難以直接觀測。但當行星從其宿主恆星前方穿過時，會遮住恆星的一部分光線。因此，我們觀測到恆星亮度出現微弱的下降，呈現出下圖所示的“U”型曲線。透過這種

“凌星”

現象，我們能夠對系外行星進行間接探測。

2009年升空的開普勒太空望遠鏡，正是透過凌星法，連續掃描了超過15萬顆恆星，以檢索恆星表面產生的微弱亮度變化。2014年，開普勒由第二任務K2接班，K2任務在範圍更小的資料庫基礎上捕捉系外行星，甚至還進行了許多其它觀測。2014年，開普勒的第二階段K2專案啟動，在範圍更小的資料庫基礎上捕捉系外行星，並對其進行多項觀測。

開普勒的行星捕捉任務獲得了不可思議的成功。截至目前，

開普勒專案已經確認了超過2500顆系外行星

——數量約為目前已知行星的三分之二；同時，還有超過2000顆“候選行星”等待進一步的觀測、分析進行確認。

儘管開普勒專案已經取得豐碩的成果，但很多人相信，在開普勒資料庫中，還有很多重要資訊有待挖掘。而限制我們進一步分析這些資料的因素，是軟體的分析速度及解析度。開普勒太空望遠鏡每30分鐘對浩瀚宇宙拍攝一張照片，一共創造了大約 140 億個資料點，其中包含了35000個可能的行星訊號。即便是對於最強大的計算機來說，這也是海量資料，分析起來既耗時又費力。另一個問題在於，透過自動化檢測或用肉眼檢測，我們可以發現數據中最有可能的訊號。然而，最微弱的訊號通常會被這些方法忽略。

用人工智慧搜尋系外行星

當谷歌AI團隊的高階軟體工程師Christopher Shallue發現，人類從太空獲取資料的技術在不斷髮展，但海量資料已經將天文學淹沒時，他提出一個設想：或許，我們可以將神經網路應用於開普勒資料的分析。

在這一過程中，他與德克薩斯大學奧斯汀分校的天體物理學家Andrew Vanderburg進行合作，將機器學習技術運用到了太空探索中，讓機器學會了識別繞著遙遠恆星公轉的行星。

研究人員用超過 1。5 萬個經過標記的開普勒太空望遠鏡訊號的資料集，對機器學習系統進行訓練。為此，系統需要能夠辨別出行星的特徵，並且能夠與恆星黑子、雙星系統和其他天體進行區分。隨後，他們利用這個系統來測試未曾分析過的訊號，

系統識別行星訊號和非行星訊號的準確率高達 96%。

因此，研究人員相信，該方法能夠在行星搜尋中發揮作用。

透過該系統，研究人員對670個已知至少包含兩顆行星的系外星系進行了檢測，並從中發現開普勒90i。

“我們找到了許多假陽性行星，但是也可能存在更多的真實行星，”Vandnerburg如是說。“這個過程就像從石頭中找尋寶石，如果你用一個更細的濾網，那麼你在得到更多石頭的同時，也會找到更多的寶石。”

開普勒90i並不是這個神經網路篩選出來的唯一寶石。

在開普勒80行星系統中，他們還找到了該星系的第六顆行星——和地球大小相近的開普勒80g

。它與相鄰的四顆行星構成了一條“共振鏈”——行星被彼此的重力拴住，在軌道上有節律地共舞。如此一來，便與TRAPPIST-1星系（包含7顆地球大小的類地行星的行星系統）中的七顆行星相似，形成非常穩定的系統。

人工智慧在系外行星搜尋中的應用才剛剛起步。Vandnerburg在新聞釋出會中提到，“在開普勒90行星系統中，可能有很多尚未發現的行星，如果這顆恆星周圍沒有更多了行星了，或許才會令我感到驚訝。”

開普勒90是我們在太陽系以外發現的第一個擁有八顆行星的行星系統，但很顯然，它不會是最後一個。我們期待，人工智慧會將我們對宇宙認知提升到一個新的高度。

在Reddit論壇上，NASA與谷歌的研究人員回答了讀者的提問，以下為問答精選：

問：

我想知道當James Webb接替了哈勃之後，谷歌AI是否會用來協助它工作？另外，在未來10-20年中，我們可以期待用James Webb觀測到什麼？我們能否用AI和James Webb來確定是否真的存在人類宜居星球？

答：

谷歌AI或者其他機器學習工具在未來的任務，如Webb， Tess或者其他任務中，可能會被用來進行資料分析。就像Chris和Andrew合作從公共資料庫中發掘出了Kepler資料庫，其他NASA新舊資料庫中的資料也可能被髮掘出來，進行進一步的研究。在未來10-20年中，我們預計會繼續統計系外行星數量並對之進行勘測（如測量重量、大小等性質），甚至可能會用日冕儀或星冕儀技術直接成像。我們的目標是回答這個歷史性問題：我們孤單嗎？透過Webb， Tess及其他任務，我們有希望回答這個問題，但是很難說是在下一個十年、二十年，還是需要更久……——Kartik Sheth， NASA HQ

問：Kepler的解析度是多少？如果用它來觀測冥王星和海王星，會看到什麼？而在觀測系外行星時，又看到了什麼？

答：

Kepler的解析度約為6角秒，在天文望遠鏡中相對較低——與之相比，哈勃望遠鏡的解析度要好60倍。原因在於Kepler主要注重視角的廣度。Kepler觀測海王星的影像在以下連結中，雖然影象不精美，但是亮度測量確十分精準。

https：//www。

youtube。com/watch？

v=Tw-q3uM_5_0

——Andrew V， UT Austin

問：

文中提到採用卷織神經網路（convolutional neural networks ， CNN）篩選“候選星”清單，但是CNN擅長二維數字訊號分析。所以分析中，輸入CNN的資訊是恆星的光變曲線還是影像？

答：

問得好！CNN的確如你所說，通常用來分析二維影像，但是他們還可以用來分析N維數字訊號。實際上，彩色圖片就是三維數字訊號，因為它們有兩個空間維度和一個色彩維度（RGB），彩色影片就是四位數字訊號，因為它們還有時間維度。在這個專案中，我們訓練了一維CNN，輸入資訊為一維的光變曲線，即隨不同時間光亮度的值。——Chris Shallue， Google AI

問：

機器學習很像魔術中，會產生不可思議結果的暗箱，在你們不知道它的實際過程時，研究的科學價值不會因為這個程式而受到質疑嗎？

答：

我們開發機器學習模型時，我們特地移除了一些標記的訓練資料片段——約10%。然後，當我們的模型完成訓練後，我們用這些該模型從未見過的10%的資料來進行測試，在此過程中，我們發現模型完成測試的正確率為96%。就對機器學習系統的瞭解來說，我們具備觀測模型“內部運作”的技術，因此可以幫助我們瞭解為什麼它們會做出某些決策。我們開發了一些使神經網路視覺化的方式，它們在Kepler訊號中發揮了作用。一般來說，神經網路本身並不是不可解讀的，並且還有一個宏觀的研究正在對探測和了解神經網路的工具進行進一步開發。

參考材料：

https：//www。

nasa。gov/press-release/

artificial-intelligence-nasa-data-used-to-discover-eighth-planet-circling-distant-star

https：//www。

space。com/39099-alien-s

olar-system-with-eight-exoplanets-discovery。html

https：//

nasa。tumblr。com/post/16

8542791629/researchers-just-found-for-the-first-time-an-8th

https：//

en。wikipedia。org/wiki/K

epler-90

https：//www。

reddit。com/r/science/co

mments/7jrexn/science_ama_series_were_planet_hunters_from_nasa/