中国科学院上海天文台的葛健教授领导的一支国际科研团队，近期在恒星测光数据研究领域取得了突破性进展。他们创新性地融合GPU相位折叠技术和卷积神经网络，开发出一种全新的深度学习算法。这一算法在应用于开普勒（Kepler）2017年发布的恒星测光数据时，成功发现了五颗极具特色的行星。这些行星不仅直径均小于地球，而且它们的轨道周期短于1天，属于超短周期行星。尤为引人注目的是，其中四颗行星是目前为止发现的距离其主星最近的最小行星，体积与火星相仿。
这一发现对于行星科学领域而言具有重要意义，它为我们理解行星的形成与演化提供了新的视角。这些超短周期行星的发现，挑战了我们对行星系统动态的传统认知，并促使科学家们重新审视行星与其主星之间的相互作用。
葛健教授表示，这项研究充分利用了现代计算技术的优势，尤其是GPU的高性能计算能力，使得大规模数据的快速处理成为可能。同时，卷积神经网络的应用也极大地提高了数据分析的准确性和效率。这一成果不仅展示了深度学习在天文学研究中的巨大潜力，也为未来的行星探测任务提供了新的思路和方法。
此次发现的五颗超短周期行星，为科学家们提供了宝贵的研究对象。它们独特的轨道特性和物理性质，将有助于揭示行星系统的多样性和复杂性。随着后续研究的深入，我们期待能够揭开更多关于这些神秘行星的面纱。
