近日，由中国科学院上海天文台葛健教授带领的国际团队创新了一种结合GPU相位折叠和卷积神经网络的深度学习算法，并成功在开普勒望远镜2017年释放的恒星测光数据中发现5颗直径小于地球、轨道周期短于1天的超短周期行星，其中4颗是迄今为止发现的距其主星最近的最小行星，类似火星大小。

　　这是天文学家首次利用人工智能一次性完成搜寻疑似信号和识别真信号的任务。这些火星大小的行星提供了更加多样化的系外行星样本，为理解超短周期行星形成机制提供新线索。相关研究成果已发表在国际天文学期刊《皇家天文学会月报》上。

　　超短周期行星在类太阳恒星的发生率很低，只有大约0.5%。到目前为止，总共找到145颗超短周期行星，其中只有30颗小于地球半径。经过5年努力，研究团队成功开发新算法(GPFC)，相比国际上流行的BLS法，该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高约7%。

　　这些超短周期行星的存在，为行星系统的早期演化、行星—行星相互作用以及恒星—行星相互作用的动力学(包括潮汐力和大气侵蚀)研究提供了重要线索，对行星形成理论研究有重大意义。该研究成果也充分显现了人工智能在天文海量数据中探寻微弱信号的应用潜力。