新经网行星在固体材料和气体中生长的恒星盘中生长。它们是否变成像地球或木星这样的物体取决于不同的因素，如固体的性质，盘中的压力和温度以及已经积累的物质。利用计算机模型，天体物理学家试图模拟生长过程并确定内部行星结构。对于给定的边界条件，他们计算行星的气体包络质量。“这需要求解一组微分方程，”伯尔尼大学NCCRPlanetS的科学官YannAlibert解释道：“在过去的15年里，解决这些方程一直是伯尔尼天体物理学家的特色，但它是一个复杂而耗时的过程。“
为加快计算，YannAlibert和PlanetS与伯尔尼国际空间科学研究所(ISSI)的JuliaVenturini合作采用了一种方法，该方法已经捕获了许多其他领域，包括我们手中的智能手机：深度学习。例如，它用于面部和图像识别。但是，人工智能和机器学习的这一分支也改进了自动语言翻译，对于自动驾驶汽车至关重要。“天文学也有大肆宣传，”Alibert说：“机器学习已被用于分析观测，但据我所知，我们是第一个将深度学习用于此目的的人。”Alibert和Venturini在“天文学和天体物理学”(A&A)杂志上发表了他们的研究成果。
数以百万计的行星数据库
首先，研究人员必须创建一个数据库。他们计算了数百万个可能的行星内部结构。“我们花了三个星期的时间使用JuliaVenturini在伯尔尼博士期间开发的代码来计算所有这些测试用例，”Alibert说。下一步是确定人工神经网络的架构，这是一组通过数学运算传递输入数据的算法，并且能够在不明确编程的情况下学习。“然后，我们使用我们巨大的数据库训练这个网络，”天体物理学家解释说：“现在，我们的网络能够预测在某些条件下形成的行星的质量，其准确度非常高，并且比解决微分方程的速度快得多。”
深度学习过程比以前开发的方法更精确，用一些分析公式代替微分方程的解。这些分析公式可以预测行星应该长到木星的质量，而实际上它的质量不会超过海王星。“我们证明了我们的深度神经网络在百分比水平上提供了非常好的近似值，”Alibert总结道。研究人员在软件开发平台GitHub上提供他们的结果，以便在世界各地的行星形成工作的同事从中受益。
