AI 发现 44 个可能存在类地行星的恒星系统

# AI 发现 44 个可能隐藏着地球类似行星的恒星系统 来源：https://www.thebrighterside.news/post/ai-finds-44-star-systems-that-could-hide-earth-like-planets/ - 一个机器学习模型识别出 44 个已知的行星系统，这些系统中可能存在尚未被发现的类地行星。 - 在模拟系统上的测试精度最高达到 99%，但尚未通过望远镜观测证实所预测的行星。 - 该方法利用已知行星的排列方式，帮助天文学家挑选出有希望开展进一步搜索的目标。 一颗已在遥远恒星周围被发现的行星，可能为附近另一个尚未被发现的世界提供线索。它的质量和轨道可以携带整个行星系统形成过程的痕迹，其中也包括那些太小或太暗、无法被望远镜探测到的行星。 该模型在模拟行星系统上的测试中，精度得分最高达到 99%。这一结果衡量的是其在计算机生成样本中的表现。围绕真实恒星所预测出的这些世界仍未被证实，该方法的价值将取决于后续的观测验证。 蜂群图按重要性对七个特征进行了排序，SHAP 值显示每个特征对单个预测结果的影响强度。（图片来源：Jeanne Davoult 等，《Astronomy & Astrophysics》） ### 解读行星的排列方式 行星是在年轻恒星周围由气体和固体物质组成的盘中共同形成的。随着它们生长、迁移并相互作用，这段共同的历史会在它们的质量和轨道间距上留下痕迹。因此，已知行星可以为那些仍未被观测到的伴星提供信息。 有些系统的行星具有相似的尺寸和间距，这种模式常被称为"豆荚中的豌豆"。另一些系统则呈现出更多样的排列。Bern 大学团队研究了这些差异是否有助于区分包含小型温带行星的系统与不包含此类行星的系统。 早期的研究工作已经将地球类似行星（https://www.thebrighterside.news/post/astronomers-observe-six-red-dwarf-stars-eating-earth-like-planets/）的存在与行星系统的架构以及最内侧可探测行星的特性联系起来。Jeanne Davoult 在 Bern 大学攻读博士学位期间开发了这一机器学习算法，合作作者包括 Romain Eltschinger 和 Yann Alibert。 结果表明，最强的线索是该系统可观测的架构，以及内侧行星的质量和轨道周期。这里"可观测"是一个关键词：一颗未被看到的行星可能在离恒星更近的轨道上运行。该算法利用的是观测所能揭示的那部分系统信息。 ### 构建一个训练用的宇宙 直接在观测到的系统上训练存在一个问题。天文学家很少知道一颗恒星周围的所有行星，而位于更长轨道上的小型行星尤其难以发现。它们微弱的信号使得每个系统的图像都不完整。 16 个含类地行星（ELPs）的行星系统（左）与 16 个不含 ELPs 的系统（右）的对比图，展示了行星质量与轨道距离在对数坐标下的关系。（图片来源：Jeanne Davoult 等，《Astronomy & Astrophysics》） 研究团队转而使用 Bern 行星形成与演化模型生成了数万个合成系统。这些模拟样本分别围绕质量等于太阳、太阳质量一半以及太阳质量五分之一的恒星分布。每一个模拟行星都被完整记录在案，包括观测者可能遗漏的那些。 计算从嵌入气体盘和较小固体物质中的行星胚胎开始。模拟跟踪了它们在 2000 万年间的生长、迁移和引力相互作用。随后的计算则在 100 亿年的时间尺度上追踪了冷却、收缩、大气逃逸和潮汐迁移。 在训练之前，研究人员隐藏了那些对其恒星的引力效应（https://www.thebrighterside.news/post/scientists-find-a-new-way-to-search-for-gravitational-waves-using-the-moon/）低于特定探测阈值的行星。这近似模拟了视向速度观测的限制——视向速度测量的是由绕行行星引起的恒星运动。剩下的行星则提供了用于预测的可观测特征。 ### 99% 结果的含义 该分类器采用随机森林，由 500 棵决策树组成的集成模型。每棵树对某个系统是否包含类地行星进行投票。研究人员使用 80% 的合成数据进行训练，保留 20% 用于测试。 他们优先考虑的是精度：在被分类为包含类地行星的系统中，有多少确实含有类地行星？要求更多树达成一致可以减少误报。然而，更严格的阈值也会漏掉更多确实包含合格行星的系统。 在投票阈值高于 90% 的情况下，为两个较大恒星质量（https://www.thebrighterside.news/post/stellar-destruction-reveals-a-universal-rule-for-black-hole-jet-formation/)群体训练的模型精度达到了 99%。针对最低质量恒星的模型达到了 94%。这些数字描述的是在模拟系统上的测试结果，而非在发现真实行星方面得到验证的成功率。 获得超过 90% 投票的早期 M 型和晚期 K 型恒星的行星系统。（图片来源：《Astronomy & Astrophysics》） 该研究还采用了较为宽泛的"类地行星"定义。符合条件的类地行星质量介于地球质量的 0.5 到 3 倍之间，计算出的平衡温度在 160 至 510 开尔文之间。这一温度区间延伸到了传统宜居区之外，而且这些温度并不能确定实际的地表条件或生命的存在。 ### 从模拟结果到 44 个目标 研究人员将训练好的模型应用于 1,567 个围绕 G 型、K 型和 M 型恒星的已观测行星系统。每个系统至少有一颗已知且质量已被测定的行星。样本中既包括类太阳恒星，也包括更小、更冷的恒星。 最初有 51 个系统获得了超过 90% 决策树的肯定投票。其中 7 个双星系统（https://www.thebrighterside.news/post/170-year-old-search-narrows-the-hunt-for-planets-around-nearby-binary-system-70-ophiuchi/)被排除，因为训练模拟中只包含单星。剩下的 44 个系统构成了建议的目标列表。 这种投票率表达的是树与树之间的一致程度，而非某个真实系统确实含有行星的概率。随后，团队检查了已知行星的排列是否为另一颗符合条件的行星留出了轨道空间。 初步的稳定性评估显示，在 44 个系统中有 42 个（即 95.5%）存在合适的空间。根据这一评估，HIP 41378 和 GJ 273 是例外情况。该计算支持了存在额外行星的可能性，但并不能证明它们的存在，也无法保证它们的长期稳定性。 获得超过 90% 投票的 G 型恒星系统。（图片来源：《Astronomy & Astrophysics》） ### 观测必须检验这些预测 该方法的可靠性取决于 Bern 模型能在多大程度上真实地表征实际系统。它的合成样本再现了一些总体趋势，但产生的行星过多，且其轨道比观测所暗示的更靠近恒星。内侧小行星与外侧气态巨行星（https://www.thebrighterside.news/post/new-computer-simulation-reveals-exactly-how-gas-giants-form/)之间的某些关联强度也弱于观测结果。 探测过滤器引入了另一项局限。它没有充分考虑恒星活动、观测排期以及其他影响天文学家能否找到行星的因素。更真实的模拟和独立的形成模型有助于检验这些预测。 对于与 PLATO 以及拟议中的 LIFE 任务概念相关的行星搜索而言，这一目标列表提供了一种可能的优先排序观测的方法。在长轨道上发现一颗小型行星可能需要大量的观测时间。后续搜索可能会发现新的世界，也可能揭示出该形成模型在哪些方面需要改进。 ### 深入了解 AI 与类地行星搜索 以下资源介绍了行星架构、形成模型，以及旨在发现其他恒星周围小型行星的任务。 PLATO 任务（https://doi.org/10.1007/s10686-025-09985-9)：这份任务综述说明了发现和表征系外行星的科学目标与观测方法。*（《Experimental Astronomy》，2025 年）* --- - Webb 发现质量仅为木星两倍多一点的褐矮星，挑战恒星形成模型（https://www.thebrighterside.news/post/webb-finds-brown-dwarfs-barely-twice-jupiters-mass-challenging-star-formation-models/) - NASA 的 Roman 太空望远镜升空，将绘制数十亿个星系的地图并搜寻遥远的世界（https://www.thebrighterside.news/post/nasas-roman-space-telescope-launches-to-map-billions-of-galaxies-and-hunt-distant-worlds/) - AI 能够快速识别并编目月球陨石坑，但精度仍是一个大问题（https://www.thebrighterside.news/post/ai-can-quickly-spot-and-catalog-lunar-craters-but-accuracy-remains-a-major-problem/） ---