超强AI在NASA数据中发现100多颗“隐身”行星，包括罕见的极端世界

本研究发表于《皇家天文学会月刊》（MNRAS），基于凌日系外行星巡天卫星（TESS）前四年观测的超过220万颗恒星数据，聚焦轨道周期短于16天的“近轨行星”。研究团队开发了名为RAVEN的全自动AI分析流程，首次系统性地将海量凌日信号转化为高可信度行星样本：共验证118颗新行星，并筛选出2000多颗高质量候选体，其中近1000颗为全新发现。这一样本是目前特征最清晰、验证最严格的近轨行星集合之一，为后续深入研究提供了坚实基础。

新确认的行星包含多类特殊类型：如“超短周期行星”（绕恒星一周不足24小时）、位于理论预测中极难存在的“海王星沙漠”区域的行星（即半径约2–4倍地球、轨道周期2–4天的行星），以及多个此前未知的紧密排列多行星系统（如同一恒星周围成对存在的行星）。

RAVEN的核心突破在于解决行星探测中的关键难题——如何区分真实行星信号与各类“假阳性”（如食双星、仪器噪声等）。它依托数十万例逼真模拟的行星凌星事件及其他天体物理现象（如双星掩食）构建训练数据集，用机器学习模型识别光变曲线中的细微模式，从而自动判断信号成因。更重要的是，RAVEN覆盖从信号初筛、AI甄别到统计学验证的全流程，而传统工具往往只处理其中某个环节，因此效率和可靠性显著提升。

得益于该严谨验证的数据集，研究团队进一步开展了系外行星种群统计分析：首次以高精度绘制了类太阳恒星周围近轨行星的发生率图谱（按轨道周期与行星大小细分）。结果表明，约9–10%的类太阳恒星拥有至少一颗近轨行星，与早期开普勒任务结果一致，但不确定性降低了至多10倍；同时首次直接测得“海王星沙漠”行星的发生率仅为0.08%，首次为这一理论“荒漠”的空旷程度给出确切数字。这证明TESS在行星种群研究方面已能媲美甚至在某些方面超越开普勒。

此外，RAVEN不仅能高效发现行星，还能量化不同行星类型的探测难度（例如小尺寸或长周期行星更易被遗漏），从而帮助科学家校正观测偏差，使最终得到的行星样本更“干净”、更具统计代表性——不再只是零散发现，而是可用于回答“银河系中各类行星究竟有多普遍”这类根本性问题的可靠依据。研究团队已公开交互式星表与分析工具，供全球天文学家使用地面望远镜及未来任务（如欧空局PLATO）开展后续观测。