【2023年10月14日】中国科学院上海天文台葛健教授团队，成功研发了一种结合GPU相位折叠和卷积神经网络的深度学习算法GPFC，应用于开普勒项目2017年的恒星测光数据中。通过此算法，研究团队发现了五颗直径小于地球、轨道周期短于1天的超短周期行星，其中四颗为目前所知距其主星最近且最小的行星，类似火星大小。这是天文学界首次利用人工智能一次性完成疑似信号搜寻与真信号识别任务，相关成果已发表在《皇家天文学会月报》。 这项创新性的研究不仅显著提高了搜寻速度，相比国际上流行的方法BLS法，GPFC算法的搜寻速度提高了约15倍，检测准确度和完备度分别提升了约7%。通过应用该算法于开普勒数据集，科研团队识别出了五颗新的超短周期行星，包括Kepler-158d、Kepler-963c、Kepler-879c、Kepler-1489c和Kepler-2003b。Kepler-879c、Kepler-158d、Kepler-1489c和Kepler-963c位列最小超短周期行星名单的第一、二、三和第五名，而Kepler-879c、Kepler-158d、Kepler-1489c和Kepler-2003b均是距离其主星最近的行星，轨道半径在5个恒星半径以内，凸显了新算法在寻找微弱凌星信号方面的优势。 这些发现对理解行星系统早期演化、行星间的相互作用以及恒星-行星动力学，特别是潮汐力和大气侵蚀过程具有重要意义。同时，这一成果展示了人工智能在处理天文海量数据和探寻微弱信号方面的潜力与前景，为未来在高精度光度观测中快速而高效地搜寻凌星信号提供了新思路。