据外媒报道，天文学家首次使用机器学习算法--一种自我学习的人工智能--来确认系外行星的存在，这些数据则都是由现已退役的开普勒太空望远镜收集得到。据悉，该算法最终确认了50颗系外行星，从海王星大小的气态巨行星到比地球小的外行星。

1995年，一个欧洲天文学家小组首次宣布了绕外星星球运行的行星Pegasi b，这颗热气体星球的大小是木星的一半。而自这一发现之后，人类就开始一直在狂热地搜寻可能潜伏我们星系的其他世界的证据。随着时间的推移，行星搜索技术不断发展，专门的望远镜如开普勒望远镜和后来的TESS相继发射升空，它们在广阔的天空中寻找隐藏世界的证据。当一颗行星从它的圆盘和观测望远镜的大眼之间穿过时，一颗遥远的恒星发出的光线会周期性地倾斜，这就是证据。这种发现系外行星的方法被称为凌日法。

这些努力没有白费。天文学家已经发现了超4200个在太阳系外运行的行星以及超5000个候选系外行星。然而这些候选行星还需要进一步的观察才能确定其是否为系外行星。

现在，天文学家们开始寻求机器学习的帮助，这种AI技术可以帮助他们筛选望远镜的海量数据并从真正具有科学意义的系外行星中剔除掉误报的情况。

机器学习算法，顾名思义就是能从过去的经验中学习并随时间的推移逐步提高其准确性和性能。

来自华威大学物理系和艾伦·图灵研究所的科学家们建立了一个寻找系外行星的算法，并通过将现已不存在的开普勒太空望远镜捕获的两大数据样本输入该算法进行训练。其中一个数据集是已经确认的行星，另一个数据集是已知的误报数据。

随后，该团队对开普勒档案中未被确认的系外候选行星样本进行了运算。任何假阳性概率小于1%的系外行星都会被归类为已确认行星。

“就行星验证而言，之前还没有人使用过机器学习技术，”这篇新论文的作者之一、华威大学的David Armstrong博士评论道，“机器学习已被用于对候选行星进行排序，但从来没有在概率框架中使用过，而概率框架是真正验证一颗行星所需要的。我们现在可以说出精确的统计可能性，而不是说哪些候选者更有可能是行星。”

据悉，该算法能从候选数据中统计确认50颗系外行星的存在，范围从比地球还小的小型外星世界到跟海王星一样大小的巨大气体星球。

该研究的论文作者表示，机器学习算法是完全自动化的，其能以更快的速度从真正的系外行星中分离出误报数据。科学家们认为，未来确认发现时，应该结合多种系外行星确认方法。

“截止到目前，约有30%的已知行星仅用一种方法进行了验证，这并不理想，”Armstrong指出，“仅仅因为这个原因，开发新的验证方法是可取的。与此同时机器学习还能让我们做得非常快并以更快的速度对候选者进行优先排序。”

接下来，研究人员打算继续训练该算法并希望将他们的算法应用于TESS收集的更大的候选系外行星样本以及未来的任务，如ESA计划的PLATO任务。