坚守是更好的缅怀和传承

c7c7cpp模拟器

其中，Kepler—879c、Kepler—158d、Kepler—1489c和Kepler—963c，在迄今发现的最小超短周期行星中，分别位列第一、第二、第三和第五；Kepler—879c、Kepler—158d、Kepler—1489c和Kepler—2003b是最接近其主星的小型行星，其轨道半径在5个恒星半径以内。

葛健表示，本次研究工作的突破性发现是人工智能在天文大数据领域应用的一个里程碑，要想使用人工智能在海量的天文数据中“挖”到极其稀少的新发现，就需要发展创新的人工智能算法。同时，需要依据新发现现象的物理图像特征生成的大量的人工数据集做训练，使之能快速、准确、完备地探寻到这些很难在传统方式下找到的稀少而微弱的信号。

普林斯顿大学天体物理学家乔什·温(Josh Winn)教授评论称，超短周期行星(或称“熔岩世界”)拥有极其极端和出乎意料的特性，为人们理解行星轨道如何随时间变化提供线索。他原以为开普勒数据中的凌星信号已经被“挖掘殆尽”，不会再有其他行星发现，听到这些新的潜在行星的消息非常兴奋，并对这项寻找新行星的技术成就印象深刻。

葛健说，这次研究工作真正起始时间是2015年，当年的人工智能AlphaGo刚取得打败围棋界职业高手的重大突破。他受佛罗里达大学计算机系同事李晓林教授的激励和启发，决定试图把人工智能的深度学习应用在开普勒太空望远镜释放的测光数据中，寻找使用传统方法没能找到的微弱凌星信号。“幸运的是经过近10年的努力，我们终于有了第一份收获”。

基于此，研究团队根据凌星信号图像的物理特征创新设计和生成各种可能的凌星信号c7c7cpp模拟器，然后在加入200万个利用开普勒太空望远镜真实光变数据人工合成的光变曲线上进行训练。训练后的神经网络再应用在开普勒太空望远镜的数据集中，并和GPU快速折叠算法一起使用搜寻数据中的超短周期凌星信号，最终帮助团队发现5颗半径很小的超短周期系外行星。(完)