好消息给喜欢看星星但懒得数数据的人：研究人员用人工智能筛查了NASA 的TESS望远镜数据，确认了大量太阳系外的行星。别担心，这不是科幻，这是数据工作和算法的胜利。
Raven 做了什么
研究团队开发了一个名为 Raven 的机器学习系统，让它对 TESS 收集到的光变曲线进行筛查。Raven 检查了超过 220 万 条观测记录，这些记录来自 TESS 运行的前 四年，重点关注那些绕恒星公转周期很短的行星，通常是周期少于 16 天 的近轨道行星。
成果一览
- 验证的系外行星：Raven 帮助确认了 118 颗系外行星。
- 候选目标：系统还找到了超过 2000 个候选信号，其中约 1000 个是此前未被报道的候选。
- 此前未识别的确认行星：在这些新确认的行星中，有 31 颗之前没有被识别或报告。
研究为什么重要
这项工作的价值不只是增加了几个名字。它让天文学家更清楚地知道哪类行星在靠近恒星的区域更常见，哪些非常罕见。研究特别关注了几类目标：
- 绕恒星公转时间不到 24 小时 的超近轨道行星。
- 所谓的 “海王星荒漠” 区域，这里理论上海王星大小的行星应当很少见。
- 系统中有多个行星都位于靠近恒星的轨道的情况。
关于恒星与行星的普遍性
从统计上看，研究给出两个有意思的数字：
- 大约 10% 的类太阳恒星至少拥有一颗近轨道行星。
- 类似海王星的行星只出现在约 0.08% 的类太阳恒星周围，这表明这类行星在近轨道区域非常罕见。
Raven 的角色不只是列清单
Raven 的重点是判断恒星亮度的减弱是否真的是由行星凌日造成，还是其他因素所致。研究人员为 Raven 训练了机器学习模型，以识别不同类型的信号模式，从而区分行星凌日和伪信号。研究团队表示，Raven 不仅提供了一份行星名单，更是一个“足够可靠”的工具，可用于绘制不同类型行星在类太阳恒星周围的分布图。
研究团队与发表
这项由英国华威大学主导的研究在学术期刊上以三篇文章形式发表。研究成员包括负责 Raven 开发和训练的科学家，以及负责数据分析和统计解读的合作者。
总结一句：把大量数据交给智能系统去筛查，结果是天文学家找到了更多有价值的目标，也更好地理解了哪些类型的行星在我们邻近的恒星周围常见或罕见。对喜欢外星世界的人来说，这是好消息；对懒得刷曲线图的人来说，也算省了不少功夫。
