数年前，开普勒天文望远镜在2545光年外发现了一颗大小与太阳相近的恒星：开普勒90。在随后的观测中，科学家发现了更多与太阳系相似的特征：开普勒90拥有7颗行星，且较小的行星距恒星更近，而更大的行星占据外侧轨道。在刚刚公布的这项新发现中，NASA与谷歌联合找出了该行星系统的第8颗行星：开普勒90i，这使得人类首次在太阳系外，找到由8颗行星组成的行星系统。新发现的开普勒90i同样是一颗类地行星，它比地球大了约30%，是该行星系统中距恒星第三近的行星。但与地球相比，开普勒90i离恒星更近，公转一周仅需14.4天，而其宿主恒星也比太阳更热，因此它的表面平均温度可能超过了800华氏度（约427摄氏度），与水星接近。显然，这个温度对于生物来说显得太高了。事实上，整个开普勒90行星系统就像是一个被压缩的太阳系：即使是最外侧的行星开普勒90h，与宿主恒星的距离比日地距离还要短。这个被称作“第二个太阳系”的行星系统不含宜居的行星，这可能让很多人略感失望。但相比于开普勒90i本身，这项研究更重大的意义在于，人工智能手段开始参与系外行星的搜寻，并且首次为人类找出此前被遗漏的行星。开普勒太空望远镜相比于主动发光的恒星，黯淡、渺小的系外行星往往难以直接观测。但当行星从其宿主恒星前方穿过时，会遮住恒星的一部分光线。因此，我们观测到恒星亮度出现微弱的下降，呈现出下图所示的“U”型曲线。通过这种“凌星”现象，我们能够对系外行星进行间接探测。2009年升空的开普勒太空望远镜，正是通过凌星法，连续扫描了超过15万颗恒星，以检索恒星表面产生的微弱亮度变化。2014年，开普勒由第二任务K2接班，K2任务在范围更小的数据库基础上捕捉系外行星，甚至还进行了许多其它观测。2014年，开普勒的第二阶段K2项目启动，在范围更小的数据库基础上捕捉系外行星，并对其进行多项观测。开普勒的行星捕捉任务获得了不可思议的成功。截至目前，开普勒项目已经确认了超过2500颗系外行星——数量约为目前已知行星的三分之二；同时，还有超过2000颗“候选行星”等待进一步的观测、分析进行确认。尽管开普勒项目已经取得丰硕的成果，但很多人相信，在开普勒数据库中，还有很多重要信息有待挖掘。而限制我们进一步分析这些数据的因素，是软件的分析速度及分辨率。开普勒太空望远镜每30分钟对浩瀚宇宙拍摄一张照片，一共创造了大约140亿个数据点，其中包含了35000个可能的行星信号。即便是对于最强大的计算机来说，这也是海量数据，分析起来既耗时又费力。另一个问题在于，通过自动化检测或用肉眼检测，我们可以发现数据中最有可能的信号。然而，最微弱的信号通常会被这些方法忽略。用人工智能搜寻系外行星当谷歌AI团队的高级软件工程师ChristopherShallue发现，人类从太空获取数据的技术在不断发展，但海量数据已经将天文学淹没时，他提出一个设想：或许，我们可以将神经网络应用于开普勒数据的分析。在这一过程中，他与德克萨斯大学奥斯汀分校的天体物理学家AndrewVanderburg进行合作，将机器学习技术运用到了太空探索中，让机器学会了识别绕着遥远恒星公转的行星。研究人员用超过 1.5万个经过标记的开普勒太空望远镜信号的数据集，对机器学习系统进行训练。为此，系统需要能够辨别出行星的特征，并且能够与恒星黑子、双星系统和其他天体进行区分。随后，他们利用这个系统来测试未曾分析过的信号，系统识别行星信号和非行星信号的准确率高达96%。因此，研究人员相信，该方法能够在行星搜寻中发挥作用。通过该系统，研究人员对670个已知至少包含两颗行星的系外星系进行了检测，并从中发现开普勒90i。“我们找到了许多假阳性行星，但是也可能存在更多的真实行星，”Vandnerburg如是说。“这个过程就像从石头中找寻宝石，如果你用一个更细的滤网，那么你在得到更多石头的同时，也会找到更多的宝石。”开普勒90i并不是这个神经网络筛选出来的唯一宝石。在开普勒80行星系统中，他们还找到了该星系的第六颗行星——和地球大小相近的开普勒80g。它与相邻的四颗行星构成了一条“共振链”——行星被彼此的重力拴住，在轨道上有节律地共舞。如此一来，便与TRAPPIST-1星系（包含7颗地球大小的类地行星的行星系统）中的七颗行星相似，形成非常稳定的系统。人工智能在系外行星搜寻中的应用才刚刚起步。Vandnerburg在新闻发布会中提到，“在开普勒90行星系统中，可能有很多尚未发现的行星，如果这颗恒星周围没有更多了行星了，或许才会令我感到惊讶。”开普勒90是我们在太阳系以外发现的第一个拥有八颗行星的行星系统，但很显然，它不会是最后一个。我们期待，人工智能会将我们对宇宙认知提升到一个新的高度。（编辑：p_vqqizhang）