AI翻完NASA兩百萬顆星星，撈出100多個隱藏行星

天文學家最近干了一件聽起來很科幻的事：讓AI去翻NASA的"舊賬"，結果從兩百萬顆恒星的觀測數據里，挖出了100多個以前沒確認的行星，其中31個是全新的世界。

這件事的有趣之處在于，它不是什么"未來科技"——用的全是TESS衛星已經拍好的照片，只是以前沒人（也沒工具）能這么快地看完、看懂。

TESS全稱"凌日系外行星巡天衛星"，是NASA2018年發射的太空望遠鏡。它的工作方式很樸素：盯著一大片天空，記錄恒星的亮度變化。如果某顆恒星突然暗了一點點，可能是有一顆行星從它前面"路過"，擋住了極少的光。這種亮度下降通常不到1%，人眼根本看不出來，但對儀器來說是個信號。

問題是，TESS每秒都在產生海量數據。第一年的觀測就覆蓋了兩百多萬顆恒星，后面幾年還在持續掃描。傳統方法是天文學家手動篩選這些"光變曲線"，判斷哪些是真正的行星，哪些是假信號——比如兩顆恒星互相繞轉、互相遮擋造成的"食雙星"，看起來和行星過境幾乎一模一樣。

華威大學的天文學家團隊做了一個叫RAVEN的AI工具來解決這個瓶頸。RAVEN的核心思路是：先造一批"假數據"來訓練模型。團隊模擬了幾十萬個真實的行星信號，以及同樣數量的假信號（食雙星、儀器噪聲、恒星自身亮度波動等），讓機器學習區分這兩者的細微差別。

訓練完成后，RAVEN被投喂了TESS前四年的全部數據。結果它篩出了超過2000個高質量的行星候選體，其中近1000個是此前從未被標記過的。經過后續驗證，最終確認了118顆新行星，包括31個此前完全未知的世界。

論文第一作者Marina Lafarga Magro博士說，這是目前對"短周期行星"最精確的一次普查。團隊特意關注了軌道周期小于16天的行星——也就是那些緊緊貼著恒星、一年比我們的一天還短的極端世界。

這類行星之所以重要，有幾個原因。首先，它們最容易被TESS發現：離恒星近意味著過境頻率高，16天的周期在幾年的觀測里能重復很多次，信號累積得更可靠。其次，它們代表了行星形成和演化的一種極端情況。按照目前的理論，行星在靠近恒星的地方很難存活：恒星輻射會吹散大氣，潮汐力會扭曲軌道。但觀測表明這類行星并不少見，說明要么形成機制和我們想的不一樣，要么它們是從更遠的地方遷移過來的。

這次發現里還有幾個特別有趣的類別。一類是"超短周期行星"，公轉周期不到24小時——比地球自轉一圈還快。目前已知的這類行星只有幾十顆，每一個都是檢驗理論的珍貴樣本。另一類位于所謂的"海王星沙漠"：這是一個軌道距離上的特殊區域，按照模型應該很少有中等質量的行星存在，因為恒星輻射會把它們的大氣層剝光，最后只剩下巖石核心。但RAVEN在這里找到了一些漏網之魚，說明"沙漠"可能沒我們想的那么荒涼。

還有一些是多行星系統。RAVEN識別出了幾對此前未知的行星"室友"——兩顆行星共用同一顆恒星，軌道周期不同但都很短。這種緊密排列的系統對軌道穩定性要求極高，是研究行星間引力相互作用的天然實驗室。

說到這里，可能有人會問：AI介入天文學，會不會漏掉什么？這是個好問題。RAVEN的設計其實保留了人工復核的環節——AI負責從兩百萬顆恒星里快速縮小范圍，但最終確認仍然需要傳統的天文分析，包括地面望遠鏡的跟進觀測。論文里也提到，RAVEN的模擬訓練集是基于"我們已知的行星類型"，如果存在某種完全超出預期的信號形態，它確實可能錯過。

不過就目前而言，這種"AI初篩+人工精修"的模式，已經把行星確認的效率提升了一個數量級。TESS的設計壽命原本是兩年，現在已經超期服役到第八年，積累的數據還在增長。沒有自動化工具，這些觀測資源很大程度上是沉睡的。

另一個值得玩味的點是，這次發現完全是"數據再利用"。TESS前四年的觀測早已公開，全球任何研究者都可以下載。RAVEN的價值不在于拿到獨家數據，而在于用新的分析方法從舊數據里榨取出新信息。這在天文學里越來越常見：開普勒衛星退役多年后，仍有團隊用改進的算法從中發現新行星；SDSS（斯隆數字巡天）的星系光譜發布二十年了，至今每年還有上百篇論文基于這些數據發表。

某種程度上，這反映了現代天文學的一個轉向：觀測設備的建設周期以十年計，但數據分析方法的迭代速度是年甚至月。同樣的望遠鏡，用2020年的算法和2026年的算法，能看到的東西可能完全不同。RAVEN這類工具的出現，相當于給現有的觀測設施裝上了"新眼睛"。

當然，確認118顆行星本身不會改變我們對宇宙的認知框架。真正有意思的是這個樣本的統計特征：短周期行星到底有多常見？海王星沙漠的邊界在哪里？多行星系統的軌道分布遵循什么規律？這些問題的答案，需要把RAVEN的發現和此前的巡天結果拼在一起，才能看出趨勢。

論文發表在《皇家天文學會月刊》（MNRAS）上，這是一個有著近兩百年歷史的期刊，在天體物理領域以嚴謹著稱。選擇在這里發表，而不是追求更快的預印本平臺，說明團隊對結果的可重復性和細節披露有較高要求——這也是AI介入科學研究時的一個微妙考量：當發現過程涉及復雜的機器學習模型，審稿人和讀者需要足夠的信息來判斷，這個"黑箱"里到底發生了什么。

最后說一個輕松的細節。RAVEN這個名字，在英語里是"渡鴉"的意思。在北歐神話里，渡鴉是奧丁的耳目，每天飛遍世界帶回信息。給行星搜索工具起這個名字，倒是挺貼切的——只不過這只"渡鴉"的飛行范圍是數據空間，它的"世界"是兩百萬顆恒星的亮度變化，而它帶回來的"信息"，是118個遙遠世界的存在證明。

這些世界里，最近的也在幾十光年之外，最遠的超過一千光年。以人類目前的航行能力，到達任何一個都是不可能的任務。但知道它們在那里，知道它們以不到一天的時間瘋狂繞轉，知道有些僥幸生存在理論上不該存在的區域——這種"知道"本身，就是天文學能提供的某種慰藉。宇宙很大，但我們正在學會閱讀它的跡象，一顆星一顆星地，把地圖補全。