https://arxiv.org/abs/2008.10516Exoplanet Validation with Machine Learning: 50 new validated Kepler planets
http://www.parabolicarc.com/2020/08/26/fifty-new-planets-confirmed-in-machine-learning-first/https://www.ithome.com.tw/news/139630利用機器學習技術，從上千萬個候選行星，挑選出真正的行星，這是天文學家第一次使用機器學習分析潛在行星樣本，從候選行星中確認出真正的行星，還一次找出了50顆新行星。由於機器學習比舊方法能更快獲得結果，並且可以自動化，能夠有效加速行星探索的速度。
目前不少搜尋系外行星使用凌日法（Transit），透過尋找行星經過望遠鏡和恆星中間的訊號，來發現候選行星。當行星通過望遠鏡和恆星中間，望遠鏡探測到的恆星亮度會明顯下降，也就是說，當科學家鎖定大量恆星，並尋找周期性變暗的恆星，就能發現可能存在的系外行星。雖然理論很單純，但是實際操作起來有許多複雜因素需要排除，研究人員提到，雙星系統或是背景物體的干擾，甚至因為相機微小的誤差，都可能影響觀測結果。
在行星驗證過程，必須要排除被誤判為行星的偽陽性結果，而華威大學的研究人員，建立了一個機器學習系統，來幫助人們驗證從NASA克普勒與TESS等太空望遠鏡，所發現成千上萬個候選行星，找出真正的行星。訓練模型的資料集，來自NASA克普勒太空望遠鏡兩大經確認的行星以及偽陽性樣本。
這次科學家發表的成果，他們最找到了50顆行星，這50個行星大小，最大的與海王星相當，也有比地球還小的行星，行星軌道有長達200天，也有短至1天，經機器學習驗證後的行星，天文學家就能夠透過專用的望遠鏡，優先執行進一步的觀測。
過去的機器學習技術，僅能對候選行星進行排名，但無法確定候選者是否為真正的行星，但這個步驟是行星驗證的必要階段。華威大學物理系博士David Armstrong提到，過去沒有科學家，真正應用機器學習技術驗證行星，頂多僅用來排名候選者，找出可能為行星的候選者，但是最新的機器學習系統，現在可以切確的算出機率，當候選者被確認為行星的偽陽性機率小於1％，便可以確認其為經驗證的行星。
有50個候選行星，通過研究人員所開發的演算法閾值篩選，他們希望未來可以將這個技術，用於TESS和PLATO等當前或是未來的行星尋找任務中，大規模搜尋太空中的行星，因為像是TESS太空望遠鏡執行的調查，可能一次發現成千上萬的候選行星，而機器學習方法能夠一致且快速地分析驗證這些發現，使得探索行星任務更有效率。
會員專區 
