以开普勒太空望远镜为例，它在其近十年的服务期间确认了 2,879 个发现(迄今为止发现的4,575颗系外行星)。在使用名为ExoMiner的新型深度学习神经网络检查开普勒收集的数据后，美国宇航局艾姆斯研究中心的一个研究小组能够检测到另外 301 个行星信号，并将它们添加到不断增长的系外行星普查中。

这些新发现的系外行星和 ExoMiner 算法在最近被《天体物理学杂志》接受发表的一篇论文中进行了描述。

该论文和项目团队由美国宇航局艾姆斯大学空间研究协会(USRA)的机器学习经理 Hamed Valizadegan 领导，成员包括来自 USRA、SETI 研究所和世界各地大学的多名研究人员。正如他们在论文中指出的那样，所有 301 颗机器验证的行星最初都是由开普勒科学运营中心管道检测到的。这些行星也被开普勒科学办公室提升为行星“候选”的状态(换句话说，未确认)。然而，在使用 ExoMiner 检查开普勒开普勒档案之前，没有人能够证实这些潜在信号是系外行星。

与所有机器学习技术一样，这种新的深度神经网络会根据提供的数据学习识别模式。以 ExoMiner 为例，NASA Ames 的研究人员使用人类专家用来确认系外行星存在的各种测试和特性来设计它。结合美国宇航局的超级计算机(昴宿星团)，它利用这些知识来区分实际的系外行星和各种类型的“误报”。

论文中还指出，ExoMiner 如何在排除误报和识别行星特征方面更加精确和一致，同时还向科学团队展示了它是如何得出结论的。正如 Valizadegan解释的那样：

“当 ExoMiner 说某物是一颗行星时，你可以肯定它是一颗行星。ExoMiner 高度准确，并且在某些方面比现有的机器分类器和人类专家更可靠，因为人类标记会带来偏见。现在我们已经使用开普勒数据训练了 ExoMiner，通过一些微调，我们可以将学习转移到其他任务中，包括我们目前正在研究的 TESS。有成长的空间。”