去年12月，美国宇航局宣布，开普勒（Kepler）太空望远镜的数据中隐藏着两颗新的系外行星。然而，这两颗新行星并没有被人类发现。相反，外行星狩猎神经网络（hunting neural network一种松散地模仿人类大脑的机器学习算法）在开普勒数据中通过一种微妙的模式来发现行星，而这几乎不可能被人看到。
星期四，行星 AI 的首席谷歌工程师Christopher Shallue在一篇博客文章中宣布，该公司正在开源该算法的代码。换句话说，任何人都可以下载代码并在开普勒数据中帮助寻找系外行星。 开普勒太空望远镜于2009年发射，以搜寻系外行星。开普勒研究的恒星太远，无法直接观测到轨道上的外行星，所以天文学家必须根据观测到的恒星亮度的变化来推断外行星的存在。当一颗系外行星经过一颗恒星的前方时，恒星的亮度会出现暂时的下降，通过这种方式发现系外行星的存在。 经过四年观测15万颗恒星后，开普勒已经为天文学家筛选了大量的数据，远比人类能够有效搜索的数据多。为了将搜寻范围限制在最有希望的位置，天文学家专注于开普勒收到的30,000个最强恒星信号，并设法在该过程中发现2,500颗系外行星。 然而，这意味着大约有12万个较弱的信号未经分析，其中任何一个都可能拥有一颗系外行星。为了搜索这个宝贵的天文数据，Google的研究人员对15,000个已被NASA研究人员标记的外行星数据实例进行了神经网络训练。这有效地教会了算法在数据中寻找哪些签名证明系外行星的存在。 在对算法进行训练之后，谷歌的研究人员用它分析了700颗来自已知有其他系外行星的弱信号。在这个过程中，沙尔和他的同事们又发现了两个新的系外行星。 谷歌在Github发布了系外行星搜索算法的代码，其中还包括它的使用说明。尽管代码（和开普勒数据）可供任何人使用，但它不完全是“即试即用”。懂得谷歌的机器学习软件 TensorFlow 和 Python 编码的经验人更有优势。 根据Shallue的说法，释放代码是让公众了解神经网络如何发现行星，同时鼓励发现进一步分析开普勒数据的方式。除此之外，Shallue表示他希望神经网络能够为将来更复杂的系外行星搜索工具铺平道路。 |
