近日，中国科学院上海天文台葛健教授带领的国际团队在天文领域取得了突破性进展。他们创新性地结合GPU相位折叠和卷积神经网络，开发出一种全新的深度学习算法（GPFC），并在开普勒（Kepler）2017年发布的恒星测光数据中成功发现了五颗前所未有的超短周期行星。
这五颗行星直径均小于地球，轨道周期更是短于1天，其中四颗更是位列迄今发现的最小且最接近其主星的行星之中，大小类似火星。这一发现不仅展示了新算法在搜寻微弱凌星信号方面的卓越能力，还为行星系统的早期演化、行星间以及恒星与行星间的相互作用研究提供了宝贵线索。
相较于国际上流行的BLS法，GPFC算法在搜寻速度上提高了约15倍，同时在检测准确度和完备度上也各提升了约7%。这一显著提升使得凌星信号的搜索更加快速、精确和全面。
新发现的这五颗行星分别是：Kepler-158d、Kepler-963c、Kepler-879c、Kepler-1489c和Kepler-2003b。其中，Kepler-879c、Kepler-158d、Kepler-1489c和Kepler-963c在已知的最小超短周期行星中名列前茅，而Kepler-879c、Kepler-158d、Kepler-1489c和Kepler-2003b更是因其接近主星的轨道（轨道半径在5个恒星半径以内）而显得尤为特别。
葛健教授表示，这一发现标志着人工智能在天文大数据领域应用的又一里程碑。他强调，要想在海量数据中挖掘到如此稀少的新发现，必须发展创新的人工智能算法，并依据新发现现象的物理特征生成大量人工数据集进行训练，以实现快速、准确、全面的探寻。
