在過(guò)去的十年里，超過(guò)一百萬(wàn)顆恒星被追蹤為凌日行星。開(kāi)普勒和苔絲等太空任務(wù)獲得或?qū)⑻峁┑拇罅繑?shù)據(jù)需要自動(dòng)化方法來(lái)檢測(cè)候選系外行星的存在。直接或間接獲得的與潛在系外行星相關(guān)的數(shù)據(jù)的人工解釋非常費(fèi)力，并且容易出現(xiàn)人為錯(cuò)誤，其結(jié)果難以量化。在大型行星研究項(xiàng)目中檢測(cè)系外行星的一種新方法是基于人工智能。人工智能 (AI) 的目標(biāo)是創(chuàng)建能夠執(zhí)行原本需要人類(lèi)智能的任務(wù)的系統(tǒng)。

近年來(lái)，人工智能越來(lái)越受歡迎，這主要?dú)w功于機(jī)器學(xué)習(xí)的進(jìn)步。機(jī)器學(xué)習(xí)旨在開(kāi)發(fā)能夠使用適當(dāng)?shù)乃惴ê鸵郧巴ㄟ^(guò)人類(lèi)(監(jiān)督學(xué)習(xí))或自動(dòng)處理的大量數(shù)據(jù)(數(shù)據(jù)集)來(lái)改進(jìn)自身的系統(tǒng)。與機(jī)器學(xué)習(xí)相比，深度學(xué)習(xí)技術(shù)處于更高水平，主要區(qū)別在于使用神經(jīng)網(wǎng)絡(luò)，或通過(guò)模擬神經(jīng)元及其之間的連接來(lái)遵循人腦行為的模型。與傳輸方法等傳統(tǒng)技術(shù)相比，深度學(xué)習(xí)學(xué)習(xí)獨(dú)立表征數(shù)據(jù)，而不依賴于手工編碼的指標(biāo)。最新的人工智能技術(shù)提供了巨大的潛力，可以幫助科學(xué)家和研究人員識(shí)別新行星并預(yù)測(cè)這些行星上存在生命的可能性。

普利茅斯大學(xué)的 Christopher Bishop 領(lǐng)導(dǎo)的一個(gè)項(xiàng)目使用基于人工神經(jīng)網(wǎng)絡(luò) (ANN) 的模型將行星分為五類(lèi)。對(duì)于它們中的每一個(gè)，該模型都能夠估計(jì)生命的概率，并具有在未來(lái)星際探索任務(wù)中發(fā)揮關(guān)鍵作用的明顯潛力。該團(tuán)隊(duì)位于普利茅斯大學(xué)機(jī)器人和神經(jīng)系統(tǒng)中心，訓(xùn)練了自己的網(wǎng)絡(luò)，根據(jù)行星與當(dāng)今地球、早期地球、火星、金星或土星的相似性將行星分為五種類(lèi)型。這五個(gè)天體是已知有大氣層的巖石天體，因此是我們太陽(yáng)系中最有可能宜居的行星之一。太陽(yáng)系五顆行星的大氣觀測(cè)數(shù)據(jù)(稱為光譜)在神經(jīng)網(wǎng)絡(luò)的輸入中呈現(xiàn)，它被要求根據(jù)行星類(lèi)型對(duì)它們進(jìn)行分類(lèi)。由于我們目前只有地球上存在生命形式的證據(jù)，因此該分類(lèi)使用“生命概率”指標(biāo)，該指標(biāo)基于對(duì)五種目標(biāo)類(lèi)型的相對(duì)較好理解的大氣和軌道特性。Bishop 使用 100 多種不同的光譜剖面對(duì)網(wǎng)絡(luò)進(jìn)行了訓(xùn)練，每種光譜由數(shù)百個(gè)有助于宜居性的參數(shù)組成。神經(jīng)網(wǎng)絡(luò)基于模仿生物大腦行為的模型。任何神經(jīng)網(wǎng)絡(luò)的構(gòu)建塊都是感知器，這是一個(gè)二元分類(lèi)器，將一組輸入映射到輸出，對(duì)真實(shí)神經(jīng)元的功能進(jìn)行建模。通過(guò)將每個(gè)感知器的輸出連接到另一個(gè)感知器的輸入，得到一個(gè)或多或少?gòu)?fù)雜的網(wǎng)絡(luò)，它代表了現(xiàn)代自動(dòng)學(xué)習(xí)算法的基礎(chǔ)。神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的計(jì)算系統(tǒng)不同，傳統(tǒng)的計(jì)算系統(tǒng)本質(zhì)上是程序性的：每個(gè)程序從第一行代碼開(kāi)始，執(zhí)行它，然后以線性方式按照指令移動(dòng)到下一行。另一方面，神經(jīng)網(wǎng)絡(luò)不遵循線性路徑，而是通過(guò)同時(shí)激活網(wǎng)絡(luò)的多個(gè)節(jié)點(diǎn)(感知器或人工神經(jīng)元)來(lái)并行處理信息。

圖中可見(jiàn)的每條線代表兩個(gè)人工神經(jīng)元之間的連接，并指示信息是如何傳遞的。與神經(jīng)元的每個(gè)輸入連接都與一個(gè)權(quán)重相關(guān)聯(lián)，該權(quán)重指示該信息對(duì)確定輸出值的貢獻(xiàn)程度。每個(gè)權(quán)重所采用的一組值決定了網(wǎng)絡(luò)的最終輸出，并在網(wǎng)絡(luò)本身的學(xué)習(xí)階段對(duì)其進(jìn)行校準(zhǔn)，使其經(jīng)受數(shù)千個(gè)樣本。通過(guò)分析開(kāi)普勒太空任務(wù)收集的數(shù)據(jù)(超過(guò) 15,000 個(gè)標(biāo)記數(shù)據(jù))，機(jī)器學(xué)習(xí)技術(shù)可以識(shí)別新的系外行星，特別是 Kepler-90i 和 Kepler-80g。第一個(gè)對(duì)天文學(xué)家來(lái)說(shuō)至關(guān)重要，它將圍繞該恒星運(yùn)行的已知行星總數(shù)增加到八顆，就像在我們的太陽(yáng)系中一樣。由美國(guó)宇航局設(shè)計(jì)的開(kāi)普勒太空望遠(yuǎn)鏡提供的觀測(cè)結(jié)果處于探測(cè)靈敏度的極限，該望遠(yuǎn)鏡的目標(biāo)是定位尺寸與地球軌道類(lèi)太陽(yáng)恒星相當(dāng)?shù)男行恰榱藴?zhǔn)確確定這些行星的出現(xiàn)率，即使存在非常低的信噪比，也可以使用深度學(xué)習(xí)等自動(dòng)評(píng)估技術(shù)。例如，通過(guò)適當(dāng)?shù)赜?xùn)練卷積神經(jīng)網(wǎng)絡(luò) (CNN)，可以預(yù)測(cè)給定信號(hào)是否對(duì)應(yīng)于凌日系外行星或天體物理或儀器現(xiàn)象產(chǎn)生的誤報(bào)。事實(shí)證明，這種類(lèi)型的模型可以有效地根據(jù)候選者確實(shí)是系外行星的概率對(duì)它們進(jìn)行排名。幾乎 99% 的時(shí)間，

在最近發(fā)表的一項(xiàng)研究中，研究人員使用計(jì)算機(jī)模擬星系形成的數(shù)據(jù)來(lái)訓(xùn)練使用深度學(xué)習(xí)算法開(kāi)發(fā)的神經(jīng)網(wǎng)絡(luò)。模擬的輸出用于生成星系的合成圖像，就像它們是由哈勃太空望遠(yuǎn)鏡獲得的一樣。通過(guò)這些模擬圖像，可以訓(xùn)練網(wǎng)絡(luò)識(shí)別先前通過(guò)模擬確定的銀河演化的三個(gè)關(guān)鍵階段。隨后，研究人員團(tuán)隊(duì)能夠?yàn)樵撓到y(tǒng)提供由哈勃望遠(yuǎn)鏡獲取的大量用于分類(lèi)的真實(shí)圖像。深度學(xué)習(xí)算法他們非常擅長(zhǎng)識(shí)別模式，在天體物理學(xué)中，他們甚至能夠識(shí)別出復(fù)雜到足以被認(rèn)為超出人類(lèi)能力范圍的模式。

數(shù)十年前，隨著 SETI 計(jì)劃的啟動(dòng)，對(duì)地外生命形式的探索，最近集中在發(fā)現(xiàn)系外行星，這些行星提供可能與地球上存在的環(huán)境條件相似的環(huán)境條件，更有可能遇到外星生命的跡象。與我們類(lèi)似的情報(bào)、技術(shù)和通信。在這一領(lǐng)域，人工智能 (AI) 正在做出重要貢獻(xiàn)。盡管迄今為止已確認(rèn)存在 4,000 多顆系外行星，并且正在評(píng)估其他許多行星，但迄今為止似乎還沒(méi)有發(fā)現(xiàn)任何形式的外星生命。人工智能將能夠提供許多答案，幫助我們發(fā)現(xiàn)“新的相似世界”，但距離我們的星球僅數(shù)光年。

或許有一天，人工智能也將能夠回答科學(xué)界無(wú)數(shù)年來(lái)一直在問(wèn)的問(wèn)題：“我們?cè)谟钪嬷惺枪陋?dú)的嗎?”