研究人员正在使用机器学习来寻找稳定的行星系统
它使用了 Google 开发的技术以及 Netflix 的推荐系统
该工具还将展示行星轨道的椭圆度及其质量
将用于分析来自 NASA 的 planet hunting 任务的数据
研究人员透露，受 Google 和 Netflix 的算法启发的机器学习软件可以发现外太空的外星生命。
在预测一个行星系统是否可以维持生命的时候，这种有效的方法可以比传统的技术快 1000 倍。
研究人员希望这个工具可以定位整个系统，发现一些有关外行星的有价值的信息，比如它们的稳定性以及宜居性。
由 Google 和 Netflix 的算法获得灵感的机器学习软件（如图）不久就会发现外太空的外星生命。据说这种方法在预测一个行星系统是否可以维持生命的时候会比传统的技术快 1,000 倍。
它使用了一种被称为机器学习（machine learning）的技术，这是人工智能的一个分支，可以在没有持续输入的数据以及人类编程的情况下，让计算机自主学习。
这些先进的系统是专门被设计用于教它们在面对不同的数据的时候如何进行自我改进。
现在，多伦多大学士嘉堡分校正在使用这项技术搜索太空中可能存在生命的远距离行星系统。
这项研究的主要发起人，多伦多大学士嘉堡分校的行星科学中心的博士后研究员 Dan Tamayo 说：「机器学习提供了一种解决天体物理学问题的有效方法，并且可以预测行星系统是否处于稳定状态。」
研究人员解释说，知道一个行星系统是否稳定是了解这些系统最初形成方式的关键。
发表在 Astrophysical Journal Letters 上的研究写道：「为了训练我们的算法，我们生成了一个包含 5000 个超过 107 个轨道的 3 行星系统（3-planet systems）N-body 整合的数据集。」
「我们专注于研究 3 行星系统（3- planet systems），因为我们已经有对于两个行星的情况的分析标注了，而具有更多行星的系统也会表现出相似的行为。」
研究人员解释说，知道另一个行星是否稳定是了解它们最初形成的方式的关键。他们举办了一系列的讲座，重点讨论了如何将机器学习用于解决具体的科学问题。
Tamayo 解释说，我们有许多方法正用来探测外星球，它们能够提供其星球大小以及轨道周期等信息。
然而，这些技术却不能检测其质量以及轨道的椭圆度——这些都是会影响到星球稳定性的因素。
为了创建他们自己的方法，Tamayo 和他的团队在多伦多大学士嘉堡分校举办了一系列的讲座，重点是如何将机器学习用于解决具体的科学问题。
检测外行星的方法可以给出关于星系的大小和其轨道周期的细节信息。然而，这些技术无法确定它们的轨道的质量以及其椭圆度——这些都是会影响稳定性的因素——但是新的人工智能可以检测到所有的数据。
他补充说，「令人激动地是，我们的研究结果告诉我们，在计算上花费几周的时间来训练机器学习模型是值得的，这个方法不仅精确而且更加迅速。」
当分析来自将于明年启动的 NASA 的 Transiting Exoplanet Survey Satellite（TESS）的数据时，它也可以派上用场。
这个为期两年的任务主要是通过观测太阳系附近最亮的行星来发现新的外行星。
Tamayo 说：「这也许是一个有用的方法，因为预测稳定性可以让我们更多的从这些行星的质量的上限和偏心角来了解这个系统，这可能是一个非常有用的方法，可以帮助我们更好地了解这些系统。」
论文：机器学习预测紧密行星系统的稳定性（A MACHINE LEARNS TO PREDICT THE STABILITY OF TIGHTLY PACKED PLANETARY SYSTEMS）
摘要
行星系统动态稳定的需求通常用于审查无约束质量或者轨道成分的新的发现或者设置限制。它通常通过计算昂贵的 N-body 模拟来进行。我们表明了紧密系统的表征复杂和多维稳定性边界适合于机器学习的方法。我们发现训练一个在物理激励特征上的 XGBoost 机器学习算法会产生一个密集系统稳定性的分类器。在检测稳定性的时间尺度时（107 个轨道），它比直接的 N-body 模拟快了三个数量级。因此，我们可以证明用于动态稳定性的优化机器学习分类器是有效的，例如，由即将启动的「Transiting Exoplanet Survey Satellite（TESS）」发现的外行星样本。这个理论的证明促使投入计算资源来寻来能够在较长时间尺度和相位空间的较宽区域上预测稳定性的算法。
