AI发现118颗新系外行星！华威大学团队提出RAVEN，实现行星情景与每一种假阳性情景的逐一对比
内容提要
NASA的TESS任务发现了大量系外行星候选体。新开发的RAVEN流程利用合成数据集和机器学习，提高了候选体的筛选与验证效率，确认了118颗新系外行星，展示了人工智能在天文学中的重要性。
关键要点
-
NASA的TESS任务发现了大量系外行星候选体。
-
确认候选体的行星属性是一个漫长且充满挑战的过程。
-
目前系外行星档案库中列出了7,658个TESS兴趣目标，其中5,152个仍为候选体。
-
传统的验证方法依赖人工分析和后续观测，耗时长、成本高。
-
华威大学研究团队开发了RAVEN流程，利用合成数据集和机器学习提高候选体筛选与验证效率。
-
RAVEN流程在所有假阳性情景下获得超过97%的AUC评分，展示了其有效性。
-
研究人员利用RAVEN确认了118颗新系外行星，并识别出超2,000颗高质量行星候选者。
-
RAVEN流程引入合成训练数据集，处理一个典型候选体仅需约一分钟。
-
RAVEN流程结合了梯度提升决策树和高斯过程两种机器学习模型。
-
RAVEN在筛选、排序和验证真实行星候选体方面表现良好，精确率几乎达到99%。
-
人工智能逐步成为天文学研究的重要基础设施，重塑科学发现的整体范式。
-
AION-1是首个面向天文学的大规模多模态基础模型，集成多种观测信息。
-
AI正在突破传统观测方法的能力边界，识别强引力透镜类星体的流程取得成功。
-
未来观测任务将推动天文学进入数据爆发阶段，AI的角色将进一步深化。
延伸问答
RAVEN流程如何提高系外行星候选体的筛选与验证效率？
RAVEN流程通过引入合成数据集和机器学习模型，显著提高了候选体的筛选与验证效率，处理一个典型候选体仅需约一分钟。
华威大学的研究团队确认了多少颗新系外行星？
华威大学的研究团队利用RAVEN确认了118颗新系外行星。
传统的系外行星验证方法存在哪些局限性？
传统验证方法依赖人工分析和后续观测，耗时长且成本高，难以快速确认候选体的行星属性。
RAVEN流程在假阳性情景下的表现如何？
RAVEN流程在所有假阳性情景下获得超过97%的AUC评分，显示出其有效性。
AI在天文学研究中的角色是什么？
AI逐步成为天文学研究的重要基础设施，重塑科学发现的整体范式，提升数据处理效率并推动科学认知。
RAVEN流程使用了哪些机器学习模型？
RAVEN流程结合了梯度提升决策树（GBDT）和高斯过程（GP）两种机器学习模型。
