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

背景：TESS任务带来的数据挑战

近年来，NASA的凌日系外行星勘测卫星（TESS）任务持续产生大量系外行星候选数据。随着数据量的激增，科学家在确认这些候选体是否真实为行星时面临两大难题：一是假阳性率高，二是传统验证方法耗时且成本高昂。由于每颗疑似行星需要逐一排除多种可能的假阳性情况，例如恒星变亮或仪器误差，这一过程往往需要大量人工审核和后续观测资源的投入。

RAVEN流程：AI驱动的创新识别机制

为应对上述挑战，华威大学研究团队提出了一种全新的机器学习流程——RAVEN（Robust Algorithm for Validation of Exoplanets）。该方法利用合成训练数据集，模拟行星信号以及各类假阳性信号的特征。RAVEN的核心创新在于实现了对每一颗候选行星与其可能的假阳性情景的逐一对比，从而更准确地评估其真实行星的概率。

RAVEN的关键技术亮点：

• 合成数据增强：通过构建高精度的合成数据集，提升模型在复杂噪声环境下的识别能力。
• 逐对比较：模型不仅判断候选体是否为行星，还将其与所有可能的假阳性情形进行对比，提高分类准确性。
• 自动化验证：减少了人工干预和后续观测的依赖，大幅提升了验证效率。

成果展示：118颗新系外行星的确认

利用RAVEN流程，研究团队在TESS的候选数据中成功确认了118颗此前未被验证的系外行星。这些行星的轨道周期、大小和宿主恒星特性各异，为后续的天体物理研究提供了丰富的样本。值得注意的是，这一成果不仅验证了AI在天文学中的强大潜力，也标志着系外行星发现从“候选”到“确认”的自动化迈出了关键一步。

模型性能：高准确率与广泛应用前景

在多类假阳性测试中，RAVEN展现出卓越的识别能力，其AUC（曲线下面积）指标普遍超过97%，在多个场景下甚至达到99%以上。这表明该模型具备极高的分类精度和鲁棒性。此外，RAVEN已在外部数据集中展现出良好的泛化能力，有望推广至其他天文任务，如开普勒任务或未来的PLATO任务中，进一步加速系外行星的发现和确认进程。

科学影响：开启AI辅助天文学研究新时代

这项研究标志着人工智能在天文数据分析中的角色正从辅助工具向核心发现引擎转变。RAVEN的推出不仅提高了行星验证效率，也为未来大规模天体调查提供了可复制的技术路径。通过减少误判、提升自动化水平，AI正逐步改变天文学的研究范式，为探索地外生命和理解行星系统多样性奠定基础。