在上周六的 2018 TensorFlow 开发者峰会上，我们为大家介绍了天体物理学家使用 TensorFlow 分析开普勒任务中的大量数据，以发现新的行星。
通过训练神经网络分析 NASA 开普勒太空望远镜的数据和准确识别最有希望的行星信号，我们发现了两颗系外行星。尽管这期间仅对大约 700 颗恒星进行了初始分析，我们仍然认为这个结果成功地证明了可以使用机器学习发现系外行星，更概括地讲，这是能够使用机器学习在各个科学领域（例如，医疗保健、量子化学和核聚变研究）取得富有意义的收获的另一个佐证。
我们高兴地发布用于处理开普勒数据、训练神经网络模型和根据新候选行星信号进行预测的代码：
https://github.com/tensorflow/models/tree/master/research/astronet
我们希望这次发布成为一个良好的开端，激励大家为 NASA 的其他任务（例如，K2：开普勒的第二个任务和即将开展的凌日系外行星巡天测量卫星任务）开发类似的模型。伴随着代码的发布，我们也希望借此机会深入介绍一下我们使用的模型的工作方式。
原文链接：https://mp.weixin.qq.com/s/IQi5CFpnwXLLCDoETtKawA
