基于机器学习的凌星系外行星探测、识别与宜居性评估自动化

我们正处于人类演化史中一个独特的时间节点，可能发现太阳系外恒星周围支持生命条件的类地行星，甚至找到这些行星上存在生命的证据。随着近年来 NASA、ESA 及其他主要航天机构发射若干卫星，我们拥有大量可用数据集，可用来训练机器学习模型，以自动化系外行星探测、识别与宜居性判定等繁重任务。自动化这些任务可节省大量时间并最小化人工干预导致的错误。为实现此目标，我们首先分析 Kepler 望远镜捕获的恒星光变曲线，以探测呈现可能行星系统存在特征的潜在曲线。在此探测中，除训练常规模型外，我们提出了一种堆叠 GBDT 模型，可同时在光信号的多重表示上训练。随后，我们利用若干前沿机器学习与集成方法，解决系外行星识别与宜居性判定的自动化。系外行星识别旨在区分假阳性实例与真实系外行星实例，而宜居性评估则根据宜居特征将系外行星实例分组为不同簇。此外，我们提出称为充分热适宜性（ATA）得分的新指标，以建立宜居与非宜居实例间潜在的线性关系。实验结果表明，所提堆叠 GBDT 模型在凌星系外行星探测上优于常规模型。而且，在宜居性分类中引入 ATA 得分提升了模型性能。