机器学习如何帮助天文学家找到类似地球的系外行星？一项新研究希望解决这一问题，一组国际研究人员研究了如何使用一种基于神经网络的新型算法，利用径向速度 (RV) 探测方法的数据来探测类似地球的系外行星。
这项研究有可能帮助天文学家开发更有效的方法来探测类地系外行星，由于主恒星的恒星活动强烈，传统上很难在 RV 数据中识别这些行星。这项研究发表在arXiv预印本服务器上。
研究指出，“机器学习是科学领域处理大量数据最有效、最成功的工具之一。许多基于机器学习的算法已被提出来，以减轻恒星活动，从而更好地探测低质量和/或长周期行星。这些算法可分为两类：监督学习和无监督学习。监督学习的优点是，所提出的模型包含大量变量，并能够根据训练数据产生相对准确的预测。”
在研究中，研究人员将他们的算法应用于三颗恒星，以确定其在恒星活动数据中识别系外行星的能力：我们的太阳、半人马座 B (HD 128621) 和鲸鱼座 T (HD 10700)，其中半人马座 B 距离地球约 4.3 光年，鲸鱼座 T 距离地球约 12 光年。
在算法中插入模拟行星信号后，研究人员发现，他们的算法成功识别了模拟系外行星，其潜在轨道周期范围为：太阳为 10 至 550 天，半人马座 B 为 10 至 300 天，鲸鱼座 10 至 350 天。
值得注意的是，半人马座 B 目前已发现几颗潜在的系外行星，但均未得到证实，而鲸鱼座 Tau 目前系统中有八颗系外行星被列为“未经证实”。
此外，该算法还发现，这些结果与半人马座 B 和鲸鱼座 T 星相对应，它们可能拥有大约四倍于地球大小的系外行星，并且也位于这些恒星的宜居带内。在将更多恒星活动数据输入算法后，研究人员发现，该算法成功识别出一颗模拟系外行星，其大小约为地球的 2.2 倍，且绕太阳的轨道距离与地球相同。
该研究在结论中指出，“在本文中，我们开发了一个神经网络框架，以有效地缓解光谱层面的恒星活动，从而增强对几天到几百天周期内低质量行星的探测，这对应于太阳型恒星的宜居带。”
虽然该研究的重点是在 RV 数据中寻找类地系外行星，但研究人员指出，可以使用其他数据（包括凌日时间、相位和基于空间的光度测定）来识别类地系外行星。
他们强调，欧洲航天局的 PLATO 太空望远镜任务可以实现这一目标，该望远镜目前正在开发中，计划于 2026 年某个时候发射。发射后，它将驻扎在地球远离太阳的一侧的日地 L2 拉格朗日点，在那里它将扫描多达一百万颗恒星，使用凌日法寻找系外行星，重点是类地（岩石）系外行星。
这项研究是在 NASA 确认的系外行星数量截至撰写本文时已达到 5,632 颗，其中包括 201 颗类地系外行星的情况下进行的，同时也为即将到来的 PLATO 任务提供了充足的机会来发现银河系内的更多类地系外行星。
本站全部资讯来源于实验室原创、合作机构投稿及网友汇集投稿，仅代表个人观点，不作为任何依据，转载联系作者并注明出处：https://www.lvsky.net/366.html
评论