行星数据太过庞大，如何筛选数据？
由于数据太过庞大，为提高效率，天文学家设定了一个检测截止点——只有信噪比超过固定阈值的数据才会被保留下来。
数据统计，截止到目前，通过该方法被手动检测的信号超30000个，其中约2500个被验证为系外行星。
到这里，或许你会认为，人类探测系外行星的僵局已经被打破。那是因为你忽略了“检测截止点”这一关键点。因为我们不能保证，在这个截止点之外，就一定没有行星。
但如果不设置截止点，我们所有检测的数据量就极为庞大。据天文学家估计，仅银河系，就可能包含多达4000亿颗系外行星。截至2016年2月，已经被认定的系外行星总数为2085颗，这些行星分属1331个行星系。
可想而知，如果想要靠人力找到所有行星，是根本不可能的。
突破“检测截止点”限制，人工智能成救命稻草
谷歌表示，正是因为开普勒－90i的相关信号比其他行星要弱很多，所以多年来，人类一直没能通过传统的行星识别手段找到它。
因此，为提高检测效率及降低错误率，NASA联手谷歌，将普勒望远镜近四年来的采集约20万颗星球的数据投入到神经网络中，用以检测低信噪比信号及行星，让其成为“猎星代码”。
据悉，“猎星代码”是由Google Brain（Google内部深度学习人工智能研究项目）和UT Austin大学的Andrew Vanderburg（一位著名的天体物理学家，专注于研究系外行星探测）合作开发的。
就像所有基于神经网络的模型一样，这个模型也需要训练集。幸运的是，如前面所述，天文学家们已经人工手动检测和分类过了30000个Kepler信号。Google团队将其中一半的数据拿出来用作训练，其中有3500个信号经过验证后，被列为行星或行星候选者。
深度学习神经网络的高效性应该不用再多做赘述了。据谷歌方面介绍，研究人员为“猎星代码”设置了远低于原本检测点的信噪比阈值，且仅在筛查了670颗星球数据后，就发现了两颗全新的系外行星。当然，在降低阙值后，有大量的虚假信号，但我们却也因此大大降低了误判率。
最后
宇宙中的行星太多，谷歌选择开源“猎星代码”，或许是希望集众人之力，尽快将这些行星找出来。
按照国际惯例，个人发现小行星后，是能够以个人名义为其命名的。但为行星命名，必须通过IAU大会讨论后才能确定。但我们可以期待一下，如果因为“猎星代码”发现的行星数量极为庞大时，或许，我们就可以拥有一颗自己的行星，并为其命名，比如，镁客星。（作者：伶轩）
