在我国利用AI技术研究航天天文领域的学术较少，AI技术的逐渐成熟和发展，将推动这一应用领域探索文明的进程，关于AI+航天天文应用技术，国外科学家们已经开发出了行星机器学习代码。

开普勒空间望远镜

机器学习算法赋能天文识别

机器学习算法已被用于揭示NASA退役的开普勒太空望远镜聚集的数据存档中两个以前看不见的系外行星。

Kepler于2009年发射，被派去调查银河系的黑暗河段。它的工作是通过仔细检查遥远星星发出的光来寻找外星世界。用光度计武装起来，开普勒寻找在其母星前面行星划过的亮度特征下降。它去年十月退休了。

该航天器帮助科学家发现了2000多个遥远的行星，还有许多尚未被发现。由德克萨斯大学奥斯汀分校和谷歌领导的天文学家和工程师团队共同合作，利用卷积神经网络嗅出潜在的候选系外行星。该软件使用开普勒观测到的恒星和行星数据集进行训练，因此当查看其他恒星亮度的读数时，它可以预测每颗恒星存在的外星球。

神经网络发现了两个以前未知的世界，因为它通过开普勒数据寻找轨道行星的迹象，并且已经使用美国亚利桑那州和夏威夷的望远镜证实了它们的存在。基督徒K2-293b和K2-294b两者之间彼此接近，分别位于水瓶座的1300光年和1,230光年之外，它们都比地球更大更热。

神经网络+深度学习训练

揭示这对行星的数据来自开普勒K2阶段的任务。2013年，两个航天器的四个反作用轮发生故障，它不能再停留在一颗特定的恒星上，因此美国宇航局对其进行了重新配置，使其推进器和其他剩余的轮子可以保持稳定。

德克萨斯大学奥斯汀分校的本科物理系学生Anne Dattilo解释说，处理K2数据变得更加棘手。该团队必须考虑到航天器读数中的轻微摆动和系统噪音。

“我使用来自K2的超过27,000颗恒星的数据训练了我的修改过的算法，”她说，“我的笔记本电脑只需要40分钟成功训练，但我们需要几个月才能弄清楚如何成功地使用K2数据。”

对卷积神经网络进行了训练，以便随着时间的推移寻找恒星光亮度的周期性下降，这表明行星的通过。由于它仅使用附近行星的恒星的例子进行训练，因此它不会捕获所有不同类型的系外行星，例如具有遥远世界的太阳系。

“该算法错过了'特殊'行星：那些信号形状与普通行星不同的行星，”Dattilo说道。“瓦解行星就是一个例子，这些行星的形状转变不同于'典型'行星。这意味着人类天文学家仍然需要找到更有趣的行星，“Dattilo说。

然而，尽管如此，Dattilo认为神经网络仍然可用于寻找由NASA的TESS太空望远镜发现的新行星。该航天器去年发射升空，预计将在两年内发现成千上万的系外行星。

“同样的方法应该适用于未来的TESS，因为TESS的工作方式与Kepler和K2相同 - 它们可以测量恒星亮度的变化，”Dattilo说，“但是，我怀疑需要做出一些改变。我对开普勒到K2代码进行了更改，而TESS数据与开普勒或K2数据非常不同，因为它可以在更短的时间内查看恒星。“

这不是AI第一次帮助科学家找到新的世界。去年，一个使用机器学习的类似研究小组偶然发现了绕过先前错过的开普勒90星的第八颗行星。这一发现使开普勒-90 成为唯一一个拥有八个行星的行星系统，就像我们自己的太阳系一样，我们已经看到了。