发现系外行星并不是简单的用望远镜指着天空、辨识出行星形状那么简单：绕着遥远恒星运行的世界太过昏暗和渺小，但我们可以借助“TESS凌日系外行星巡天卫星”和之前的开普勒望远镜去探测它们。这些观测任务产生了大量的数据，需要有人来评估，英国华威大学的研究人员认为他们可以用人工智能来加快这一速度。为此，该团队开发了一种机器学习算法，AI在观测数据中确认了50颗系外行星。

天文学家有两种方法可以用来探测系外行星。一种是径向速度方法，它监测恒星是否有行星引力引起的小反运动。第二种是更敏感的技术， 也是凌日系外行星巡天卫星和开普勒采用的技术， 它主要依靠宿主星的亮度变化。如果一个恒星系的平面对准正确，从我们的角度看，它的行星就会在恒星前面过境。通过监测这些亮度的变化，我们可以很有把握地推断出系外行星的存在。

问题是，第二种方法产生了一大堆恒星的亮度数据，其中许多恒星不会有可见的系外行星。这需要计算机分析和人工相结合，才能确定候选星并确认它们的存在。

华威大学开发的系统是第一个能够把候选系外行星进行必要的分析，以确认其行星状态或排除它们。之前使用人工智能的尝试，比如谷歌基于TensorFlow的算法，只能按照候选行星是真实行星的可能性进行排名。

研究人员并不是随便打开一个开关，就能让人工智能通过数据筛选来发现行星。他们必须用已确认的系外行星和假阳性的数据来训练神经网络，这样它才能在新的数据中识别出那些明显的迹象。华威大学确认的50颗系外行星中，从海王星大小的气体巨行星到比地球还小的岩石世界，无所不包。使用传统方法确认较小的行星特别困难，所以这说明了人工智能的准确性。

根据新的研究，在所有确认的系外行星中，大约有三分之一是用单一的分析方法确认的，这并不理想。科学家们说，即使现有的技术能够发现所有可观测到的系外行星，我们也应该有更多的选择，只是为了进行适当的验证。他们希望新的机器学习系统在检测更多行星的过程中不断发展，成为系外行星探索过程中的重要组成部分。