近日，一项由中国科学院上海天文台葛健教授带领的国际团队所取得的突破性研究成果在国际天文学期刊《皇家天文学会月报》（MNRAS）上发表。该研究团队创新性地开发出一种结合GPU相位折叠和卷积神经网络的深度学习算法（GPFC），并在开普勒（Kepler）2017年发布的恒星测光数据中，成功发现了五颗直径小于地球、轨道周期短于1天的超短周期行星。
这四颗新发现的行星——Kepler-158d、Kepler-879c、Kepler-1489c和Kepler-2003b，是迄今为止发现的距离其主星最近的最小行星之一，其轨道半径均在5个恒星半径以内。它们的发现为行星系统的早期演化、行星-行星相互作用以及恒星-行星相互作用的动力学研究提供了重要的线索。
新发现的类似火星大小的超短周期系外行星。由于离主星非常近，行星不光表面温度很高，而且潮汐力会挤压行星内部和表面产生很多火山喷发。
该团队经过五年的努力，所开发的GPFC算法相较于国际上广泛使用的BLS法，搜寻速度提高了约15倍，同时检测准确度和完备度也各提高了约7%。这一显著提升使得凌星信号的搜索速度、精度和完备度都得到了极大的改善。
在这五颗新发现的超短周期行星中，Kepler-879c、Kepler-158d、Kepler-1489c和Kepler-2003b的轨道半径均在5个恒星半径以内，这充分展示了新算法在搜寻微弱凌星信号方面的优势。同时，这些行星的主星是类太阳恒星（有效温度～5000-6000K）中最暗的目标，这也显示了新探测方法的超高灵敏度。
已知行星半径和行星轨道半长轴分布以及五个新发现的超短周期行星（红点）。
这些超短周期行星的发现，对行星形成理论研究具有重大意义。同时，该研究成果也为在高精度光度观测数据中快速、高效搜寻凌星信号提供了新的研究方式，充分展现了人工智能在天文海量数据中探寻微弱信号的广泛应用潜力和前景。
