AI一次性發現118顆系外行星，31顆為全新發現

尋找系外行星，是一項在宇宙尺度上找針的工作。光靠人眼和經驗，根本跟不上望遠鏡數據產生的速度。但一套名叫RAVEN的人工智能流水線，正在把這件事變得截然不同。

這是迄今為止對短周期系外行星最精細的一次普查。

RAVEN的設計邏輯，是把這個辨別過程交給經過訓練的機器學習模型。

研究團隊為此構建了一個包含數十萬個精確模擬行星遮星事件和其他天體物理現象的訓練數據集，讓模型學會從光變曲線的細節中識別出信號的真實來源。更重要的是，RAVEN并不是一個只做某一步工作的工具，它把信號探測、機器學習篩選、統計驗證這三個環節整合在同一個流水線中，全程自動化運行，大幅減少了不同工具之間的人工銜接誤差。

華威大學的安德烈亞斯·哈吉喬治烏博士說得很直白："RAVEN的強項在于我們精心構建的模擬數據集，我們訓練機器學習模型去識別數據中的模式，這正是AI模型最擅長的事情。"

118顆確認行星中，有幾類特別值得關注。

一類是超短周期行星，軌道周期不足24小時，它們繞恒星一圈所用的時間，比地球上大多數工作周還短。這類行星的存在極度靠近母星，表面溫度極高，是檢驗行星形成和大氣逃逸理論的極端實驗場。

另一類落在所謂的"海王星荒漠"區域，這是一個理論上應該幾乎沒有行星存在的特殊軌道范圍，因為強烈的恒星輻射會把行星大氣迅速剝離，留不住合適尺寸的行星。研究團隊首次對這片"荒漠"的稀疏程度做出了精確定量，發現這類行星在類太陽恒星中的發生率僅為0.08%，印證了理論預測，也為理解行星大氣演化提供了新的數據錨點。

整體而言，研究顯示約9%至10%的類太陽恒星擁有至少一顆近距軌道行星，這與此前開普勒望遠鏡的統計結果一致，但新研究的不確定性縮小了足足十倍，意味著這個數字現在可以被當作更可靠的宇宙基準來使用。

這兩項研究加在一起，揭示了一個正在快速推進的范式轉變。

過去，一顆系外行星的確認往往需要大量的人工審核和反復的后續觀測，整個流程耗時數月甚至數年。RAVEN把這個過程壓縮到可以在宇宙尺度上批量進行，而且因為整個流水線經過嚴格驗證，輸出結果不只是一個"候選名單"，而是一份可以直接用于統計分析的可靠數據集。

華威大學副教授大衛·阿姆斯特朗說："RAVEN讓我們能夠一致、客觀地分析海量數據集。這不只是一張潛在行星的清單，它也足夠可靠，可以用來繪制不同類型行星在太陽系外的分布規律。"

宇宙里有多少個世界，這個問題我們一直在問。

現在，我們有了迄今為止最清晰的一部分答案。