机器学习预测系外行星：从TB定律到数据驱动的天文发现

1. 项目概述：当经典物理定律遇见现代AI

几年前，当我第一次听说有人试图用机器学习来预测系外行星时，我的第一反应是：这听起来像是把两个风马牛不相及的领域硬凑在一起。一边是严谨到近乎刻板的经典天体物理学定律，比如提丢斯-波得定律（Titius-Bode Law，简称TB定律）；另一边则是充满“黑箱”色彩、依赖海量数据“喂养”的机器学习模型。然而，随着我深入这个交叉领域，并亲自参与了一些数据分析和模型构建工作后，我彻底改变了看法。这个“AI预测系外行星”的项目，绝非简单的概念嫁接，而是一次对传统天文学研究范式的深刻革新。它试图回答一个困扰了天文学家数十年的问题：在我们已知的、由望远镜观测到的行星系统之外，是否还隐藏着未被发现的“沉默”行星？我们能否像预测天气一样，预测一个遥远恒星系统中可能存在的行星位置？

这个项目的核心逻辑非常迷人。它不再完全依赖昂贵且时间有限的望远镜观测时间，去漫无目的地扫描星空，而是将已知的、经过验证的数千个系外行星系统的轨道数据作为“教材”，让机器学习模型去学习其中隐藏的规律——这其中就包括TB定律所描述的，行星轨道半径之间可能存在的某种数学和谐性。然后，模型可以将学到的“经验”应用到那些只发现了一两颗行星的“不完整”系统中，去预测那里是否还有未被观测到的“邻居”，并给出它最可能藏身的位置范围。这相当于给天文学家提供了一张“藏宝图”，极大地缩小了后续观测的搜索范围，提升了发现新行星的效率。无论你是对天体物理学感兴趣的学生，还是从事数据科学、机器学习，并想寻找一个有挑战性且意义非凡的应用场景的从业者，这个项目所展现的思路和实现路径，都值得你花时间深入了解。

2. 核心思路拆解：从经验公式到数据驱动预测

2.1 TB定律：一个充满争议的“宇宙乐谱”

要理解这个项目，必须先从TB定律说起。这不是一个像牛顿万有引力定律那样被严格证明的物理定律，而是一个纯粹的经验公式。它在18世纪被提出，最初用于描述当时已知的太阳系行星（水星、金星、地球、火星、木星、土星）到太阳的平均距离。公式的表达形式有多种，一种常见的表述是：a = 0.4 + 0.3 * 2^n（天文单位AU），其中n取负无穷（水星）、0（金星）、1（地球）、2（火星）等值。

这个公式的神奇之处在于，它相当准确地“预测”了当时尚未发现的天王星的位置（n=6），甚至在小行星带（n=3）和冥王星（n=7，虽然后来被降级）的位置上也表现出一定的吻合度。这使得TB定律一度被奉为“宇宙的和谐法则”。然而，随着海王星的发现（其实际轨道严重偏离TB定律预测），以及更多不规则卫星和外海王星天体的发现，TB定律的普适性受到了严重质疑。主流天体物理学界普遍认为，它可能只是太阳系形成初期动力学过程产生的一个巧合，而非普遍规律。

注意：这里必须澄清一个常见的误解。TB定律不是一个物理定律，它不涉及引力、角动量等任何动力学原理。它只是一个描述行星轨道间距可能存在某种简单数列关系的数学模式。因此，直接用它去“硬套”所有恒星系统是武断的。我们这个项目的巧妙之处在于，不把它当作金科玉律，而是将其转化为可供机器学习模型学习的“特征”之一。

2.2 机器学习入场：从“寻找规律”到“学习规律”

传统上，验证TB定律是否适用于某个系外行星系统，方法是这样的：获取该系统所有已确认行星的轨道半长轴数据，尝试用TB定律的数列去拟合，看吻合度如何。这本质上是一种“模式匹配”，而且是强加了一个预设的、固定的数学模式。

机器学习，特别是监督学习模型，采取了一种截然不同的思路。我们不对数据做任何强假设。我们给模型的“教材”是成千上万个已知的、完整的多行星系统数据。每条数据样本包含：恒星质量、已发现行星的数量、每颗行星的轨道半长轴、偏心率、质量（或质量下限）等。模型的“学习目标”不是去记忆TB公式，而是去发现这些高维特征之间复杂的、非线性的关联关系。

例如，模型可能会自己学到：“哦，当恒星质量较小、第一颗行星轨道很紧凑时，后续行星的轨道间距往往呈现一种对数增长的趋势，但这种趋势的斜率会随着系统中行星总质量的增加而变平缓。” 这远比一个简单的a = 0.4 + 0.3 * 2^n要复杂和精细得多。TB定律在这里的角色被淡化了，它可能只是模型在训练过程中捕捉到的众多潜在规律中的一个特例或一种近似表达。模型学到的，是一个更广义的“行星系统轨道结构分布模型”。

2.3 项目工作流设计：四步走策略

基于以上思路，整个项目可以拆解为一个清晰的数据科学工作流：

1. 数据获取与清洗：从NASA系外行星档案、开普勒任务数据库等公开来源，爬取或下载所有已确认的系外行星数据。这一步的关键是筛选出“多行星系统”（至少2颗以上行星），因为单行星系统无法提供轨道间距的规律信息。同时，需要处理大量的缺失值（如行星质量很多是下限值）和观测误差。
2. 特征工程与构建：这是项目的灵魂。我们需要从原始数据中构造出对预测“下一颗行星位置”有用的特征。除了直接使用恒星质量、已有行星的轨道半长轴等，更重要的是构造“关系特征”：
   • 间距比序列：计算相邻行星轨道半长轴的比值a_{i+1} / a_i，形成一个序列。这个序列的统计特性（均值、方差、趋势）是核心特征。
   • TB定律拟合残差：对每个系统，用TB定律的几种变体进行拟合，计算观测值与拟合值的残差。这个残差不是用来验证TB定律，而是作为一个描述该系统与经典经验模式偏离程度的特征输入模型。
   • 轨道稳定性指标：根据已有行星的质量和轨道，计算系统在动力学上是否稳定，或者哪些轨道区间是稳定的“空隙”（即能长期存在行星而不被抛射出去的轨道区域）。这通常需要简化的N体模拟或使用希尔球半径等经验判据。
3. 模型选择与训练：将问题构建为一个回归任务（预测下一颗行星的轨道半长轴）或一个分类任务（预测某个轨道区间存在行星的概率）。常用的模型包括：
   • 梯度提升树（如XGBoost, LightGBM）：擅长处理表格数据，能很好地捕捉特征间的复杂交互，且对缺失值不敏感，非常适合作为基线模型。
   • 递归神经网络（RNN/LSTM）：如果将每个行星系统的行星按轨道从内到外排列成一个序列，那么预测下一颗行星的位置就是一个典型的序列预测问题，RNN家族模型天然适合。但需要足够多的序列数据。
   • 图神经网络（GNN）：可以将一个行星系统建模为一个图，恒星和行星是节点，引力相互作用或轨道共振关系是边，来学习系统的整体结构特征。这是更前沿的探索方向。
4. 预测与验证：用训练好的模型对那些只发现了一两颗行星的“候选系统”进行预测，输出最可能存在新行星的轨道区间（例如，预测半长轴为2.1 ± 0.5 AU）。然后，将这些预测提交给天文台，申请望远镜观测时间进行后续验证。真正的成功案例，是模型预测的位置上，后来真的通过凌星法或径向速度法发现了一颗新的系外行星。

3. 实操要点解析：数据、特征与模型的三重门

3.1 数据源的挑战与处理技巧

系外行星数据并不“干净”。主要来源如NASA Exoplanet Archive，其数据表格庞大，但充满陷阱。

关键挑战：

• 观测偏差：凌星法更容易发现轨道周期短、行星半径大的“热木星”；径向速度法则对质量大、离恒星近的行星敏感。这导致我们的训练数据集本身就有严重的选择效应，模型学到的可能是“容易被我们发现的行星系统”的规律，而非所有行星系统的普遍规律。
• 大量缺失值与下限值：尤其是行星质量，很多是通过凌星法得到的行星半径估算的，或者径向速度法给出的只是质量下限M * sin(i)。直接使用这些值会引入巨大噪声。
• 系统完整性未知：我们所谓的“完整多行星系统”，真的完整吗？很可能还有更远、更暗、更小的行星未被发现。我们用这些“不完整”的完整系统作为训练标签，本身就是一种噪声。

实操心得与处理技巧：

• 对抗观测偏差：不要简单使用所有数据。可以尝试根据发现方法和行星属性对数据进行分层抽样，或者在损失函数中为不同类别的系统赋予不同的权重，试图让模型更关注“规律本身”而非“观测难易度”。
• 聪明地处理缺失值：对于质量缺失，不要简单用均值填充。可以建立回归模型，根据行星半径、轨道周期、恒星类型等来估算质量范围。更稳健的做法是，将质量作为一个概率分布输入模型，或使用对缺失值鲁棒的模型如XGBoost。
• 引入不确定性特征：不要丢弃误差棒。将每个观测值（如半长轴）的测量误差作为一个单独的特征输入模型，让模型知道哪些数据是可靠的，哪些是模糊的。这能显著提升模型的鲁棒性。

3.2 特征工程的创造性空间

特征工程是决定模型上限的关键。除了上述提到的间距比、TB拟合残差，这里再分享几个经过实践验证的有效特征：

1. 轨道共振特征：行星轨道周期常呈现简单的整数比（如2:1， 3:2共振）。计算已发现行星两两之间的周期比，并检查它们接近简单分数（如2.0， 1.5， 1.33）的程度。可以构造特征如“系统内存在强共振链的行星对数”或“最接近共振的比例值”。
2. 系统角动量分布：估算系统总角动量（尽管行星质量不确定），并计算行星角动量相对于总角动量的分布。有些研究表明，行星的间距可能与角动量的分配方式有关。
3. 恒星属性衍生特征：恒星的金属丰度、年龄等，与行星系统的形成和演化密切相关。例如，金属丰度高的恒星周围更容易形成气态巨行星。
4. “空隙”的动力学稳定性量化：在两个已知行星轨道之间，计算一个假想行星能够稳定存在的最大质量（即希尔球判据）或进行快速的N体积分模拟，计算该轨道在百万年时间尺度上的存活率。将这个存活率作为一个连续特征，比简单地标记一个“空隙”更有信息量。

提示：一个非常实用的技巧是使用模型解释工具（如SHAP值）来反向指导特征工程。先用一个包含基础特征的模型训练，然后分析哪些特征对预测贡献最大。你可能会惊讶地发现，某个你精心构造的复杂特征重要性很低，而一个简单的对数间距方差却很重要。这能帮你快速聚焦到关键信息上。

3.3 模型训练中的特殊考量

在天文数据上训练机器学习模型，与一般的商业数据有很大不同。

损失函数设计：由于我们要预测的是一个范围（轨道区间），而不仅仅是点，传统的均方误差（MSE）可能不是最优。可以考虑：

• 分位数损失：预测轨道半长轴的不同分位数（如10%， 50%， 90%），从而直接给出一个预测区间。
• 基于物理约束的损失：在损失函数中加入惩罚项，例如，如果预测的行星位置与已知行星过于接近，导致轨道交叉（动力学不稳定），则施加一个大的惩罚。这相当于将物理知识作为正则化项注入模型。

验证策略：绝对不能使用简单的随机划分！因为同一个行星系统的数据是高度相关的。必须采用“按系统划分”的方式：确保训练集、验证集和测试集中的行星系统是完全互斥的。否则，模型会通过“记住”同一个系统中其他行星的信息来“作弊”，导致泛化性能评估严重失真。

实操心得：从回归到概率分类的转变在实际项目中，我们后来发现，将问题从“回归预测精确轨道”转变为“分类预测某个轨道区间存在行星的概率”更具实用价值。我们将恒星周围的轨道空间（例如从0.01 AU到100 AU）划分成数百个对数均匀的区间（bin）。对于训练数据中“完整”的系统，已知行星所在的区间标记为1，其他区间标记为0。对于“不完整”的系统，已知行星区间标记为1，其余标记为“未知”。模型的任务是学习一个从系统特征到所有区间存在概率的映射。这样，模型的输出就是一张围绕恒星的“概率热图”，天文学家可以优先观测概率最高的区间。这种方法对数据噪声的容忍度更高，解释性也更强。

4. 实战演练：构建一个基础的预测模型

让我们抛开复杂的理论，动手搭建一个最小可行产品（MVP）级别的系外行星预测模型。我们将使用Python和常见的科学计算库。

4.1 环境准备与数据获取

首先，确保你的环境已安装必要库：pandas,numpy,scikit-learn,xgboost,requests。

我们从NASA系外行星档案的API获取数据。这里我们获取所有已确认的行星数据。

import pandas as pd import requests # NASA Exoplanet Archive API 端点（以复合表格为例，包含主要参数） url = "https://exoplanetarchive.ipac.caltech.edu/TAP/sync?query=select+pl_name,hostname,sy_snum,pl_orbper,pl_orbsmax,pl_bmasse,pl_rade,st_mass+from+pscomppars+where+default_flag=1&format=csv" try: response = requests.get(url) data = response.text with open('exoplanet_data.csv', 'w') as f: f.write(data) print("数据下载成功，保存为 exoplanet_data.csv") except Exception as e: print(f"数据下载失败: {e}") # 如果网络问题，这里可以加载本地备份数据 # df = pd.read_csv('local_backup.csv') df = pd.read_csv('exoplanet_data.csv') print(f"数据形状: {df.shape}") print(df.head())

4.2 数据清洗与系统构建

接下来，我们需要清洗数据，并按照恒星系统进行分组，筛选出多行星系统。

# 1. 重命名列，便于理解 df.rename(columns={ 'pl_name': 'planet_name', 'hostname': 'star_name', 'sy_snum': 'num_planets_confirmed', 'pl_orbper': 'orbital_period_days', 'pl_orbsmax': 'semi_major_axis_au', 'pl_bmasse': 'planet_mass_earth', 'pl_rade': 'planet_radius_earth', 'st_mass': 'star_mass_solar' }, inplace=True) # 2. 筛选关键字段非空的行星 df_clean = df[['star_name', 'planet_name', 'semi_major_axis_au', 'star_mass_solar', 'num_planets_confirmed']].dropna() df_clean['semi_major_axis_au'] = pd.to_numeric(df_clean['semi_major_axis_au'], errors='coerce') df_clean['star_mass_solar'] = pd.to_numeric(df_clean['star_mass_solar'], errors='coerce') df_clean = df_clean.dropna(subset=['semi_major_axis_au', 'star_mass_solar']) # 3. 按恒星分组，筛选出行星数量>=2的系统（多行星系统） multi_system_stars = df_clean.groupby('star_name').filter(lambda x: len(x) >= 2) print(f"多行星系统数量: {multi_system_stars['star_name'].nunique()}") print(f"涉及行星数据行数: {len(multi_system_stars)}") # 4. 对每个多行星系统，按轨道半长轴排序 multi_system_stars = multi_system_stars.sort_values(['star_name', 'semi_major_axis_au']) multi_system_stars['orbit_order'] = multi_system_stars.groupby('star_name').cumcount() + 1

4.3 特征工程：构建间距比与TB残差

现在，为每个多行星系统计算核心特征。

def calculate_features(group): """为一个恒星系统组计算特征""" a = group['semi_major_axis_au'].values # 轨道半长轴数组 n = len(a) features = {} # 基础特征 features['star_mass'] = group['star_mass_solar'].iloc[0] features['num_known_planets'] = n # 特征1: 相邻轨道间距比序列 (a_{i+1} / a_i) if n > 1: spacing_ratios = a[1:] / a[:-1] features['spacing_mean'] = np.mean(spacing_ratios) features['spacing_std'] = np.std(spacing_ratios) features['spacing_min'] = np.min(spacing_ratios) features['spacing_max'] = np.max(spacing_ratios) else: # 单行星系统，无法计算间距，用NaN填充，后续处理 features.update({k: np.nan for k in ['spacing_mean', 'spacing_std', 'spacing_min', 'spacing_max']}) # 特征2: TB定律拟合残差 (简化版，使用a_n = k * c^n 形式拟合) # TB定律一般形式: a_n = a_0 * C^n， 其中a_0和C是拟合参数 if n >= 3: # 至少3个点才能做有意义的拟合 try: # 取对数：log(a_n) = log(a_0) + n * log(C) -> 线性拟合 y = A + B*n n_seq = np.arange(n) log_a = np.log(a) # 简单线性回归 B, A = np.polyfit(n_seq, log_a, 1) # B是斜率，即log(C); A是截距，即log(a_0) C_fit = np.exp(B) a0_fit = np.exp(A) # 计算预测值和残差 a_pred = a0_fit * (C_fit ** n_seq) residuals = a - a_pred features['tb_residual_mean'] = np.mean(np.abs(residuals)) features['tb_residual_std'] = np.std(residuals) features['tb_fit_C'] = C_fit except: features.update({k: np.nan for k in ['tb_residual_mean', 'tb_residual_std', 'tb_fit_C']}) else: features.update({k: np.nan for k in ['tb_residual_mean', 'tb_residual_std', 'tb_fit_C']}) return pd.Series(features) # 应用特征计算函数 import numpy as np system_features = multi_system_stars.groupby('star_name').apply(calculate_features).reset_index() # 处理单行星系统（用于后续预测）的特征计算，需要不同的逻辑，此处暂略

4.4 构建训练数据集与标签

我们的任务是：给定一个系统的前k颗已知行星，预测第k+1颗行星的轨道半长轴。我们需要从完整的多行星系统中构造这样的训练样本。

# 这个函数从一个有N颗行星的系统中，生成N-1个训练样本。 # 样本i：使用前i+1颗行星作为“已知”，预测第i+2颗行星的位置（标签）。 def create_training_samples(system_df): planets = system_df.sort_values('semi_major_axis_au') n = len(planets) samples = [] for i in range(1, n-1): # 至少需要2颗已知行星来预测下一颗，且至少留一颗作为标签 known_planets = planets.iloc[:i+1] # 前i+1颗作为已知 target_planet = planets.iloc[i+1] # 第i+2颗作为要预测的目标 # 计算已知行星部分的特征（复用calculate_features，但只传入已知行星） known_features = calculate_features(known_planets) # 标签是下一颗行星的轨道半长轴（取对数，使分布更平稳，易于模型处理） label = np.log(target_planet['semi_major_axis_au']) sample = known_features.to_dict() sample['target_log_a'] = label samples.append(sample) return samples # 为所有多行星系统生成训练样本 all_samples = [] for star, group in multi_system_stars.groupby('star_name'): if len(group) >= 3: # 至少3颗行星才能生成至少1个训练样本 all_samples.extend(create_training_samples(group)) train_df = pd.DataFrame(all_samples) print(f"生成的训练样本数: {len(train_df)}") print(train_df.head()) # 处理缺失值：简单用中位数填充（在实际项目中需要更精细的处理） train_df_filled = train_df.fillna(train_df.median())

4.5 训练一个XGBoost回归模型

现在，我们用处理好的数据训练一个模型。

from sklearn.model_selection import train_test_split from sklearn.metrics import mean_squared_error, mean_absolute_error import xgboost as xgb # 准备特征X和标签y feature_columns = ['star_mass', 'num_known_planets', 'spacing_mean', 'spacing_std', 'spacing_min', 'spacing_max', 'tb_residual_mean', 'tb_residual_std', 'tb_fit_C'] X = train_df_filled[feature_columns] y = train_df_filled['target_log_a'] # 划分训练集和测试集（按系统划分更严谨，此处为演示用随机划分） X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建并训练XGBoost模型 model = xgb.XGBRegressor( n_estimators=200, max_depth=6, learning_rate=0.05, random_state=42, subsample=0.8, colsample_bytree=0.8 ) model.fit(X_train, y_train) # 评估模型 y_pred = model.predict(X_test) mse = mean_squared_error(y_test, y_pred) mae = mean_absolute_error(y_test, y_pred) print(f"测试集 MSE: {mse:.4f}") print(f"测试集 MAE: {mae:.4f}") print(f"预测误差对应实际轨道范围（取指数后）：大约在 {np.exp(mae)-1:.2%} 的比例误差") # 查看特征重要性 importance = pd.DataFrame({ 'feature': feature_columns, 'importance': model.feature_importances_ }).sort_values('importance', ascending=False) print("\n特征重要性排序:") print(importance)

4.6 对新系统进行预测

假设我们有一个新发现的恒星系统“HD 12345”，目前只发现了两颗行星，轨道半长轴分别为0.5 AU和1.2 AU，恒星质量是1.1倍太阳质量。我们想预测第三颗行星可能的位置。

# 构造新系统的特征向量 new_system_data = { 'star_mass': 1.1, 'num_known_planets': 2, 'semi_major_axis_au': [0.5, 1.2] # 已知行星轨道 } # 计算这个双星系统的特征（需要模拟一个小的DataFrame） new_planets_df = pd.DataFrame({ 'semi_major_axis_au': new_system_data['semi_major_axis_au'], 'star_mass_solar': [new_system_data['star_mass']] * 2 }) new_features_series = calculate_features(new_planets_df) # 将特征Series转换为与训练数据一致的DataFrame new_features_df = pd.DataFrame([new_features_series.to_dict()]) new_features_filled = new_features_df.fillna(train_df[feature_columns].median()) # 使用训练集的中位数填充 # 确保列顺序一致 new_features_filled = new_features_filled[feature_columns] # 进行预测 predicted_log_a = model.predict(new_features_filled)[0] predicted_a_au = np.exp(predicted_log_a) # 转换回实际AU值 print(f"对于系统 HD 12345，模型预测的下一颗行星轨道半长轴约为: {predicted_a_au:.2f} AU") print(f"基于已知行星在 0.5 AU 和 1.2 AU，预测的下一颗行星大约在 {predicted_a_au:.2f} AU 处。") print("注意：这是一个非常简化的演示预测，实际应用中需要给出预测区间和置信度。")

5. 常见陷阱、问题排查与未来方向

5.1 实操中踩过的坑与解决方案

1. 数据泄漏（Data Leakage）：

   • 问题：最初我犯了一个错误，在计算系统特征（如间距比均值）时，使用了所有行星的数据，包括要预测的那一颗。这导致特征中包含了未来信息，模型在训练时表现极好，但在真正的未知系统预测上完全失效。
   • 解决：严格按时间或逻辑顺序划分数据。在构造每个训练样本时，calculate_features函数只能接收“当前已知”的行星数据。必须模拟真实的预测场景：天文学家在某个时间点只知道前k颗行星。

2. 模型过拟合于小样本系统：

   • 问题：大部分系外行星系统只发现2-3颗行星，发现5颗以上的系统凤毛麟角。模型很容易记住这些小样本系统的特性，而无法学到泛化规律。
   • 解决：
     • 数据增强：对轨道数据加入符合观测误差的随机噪声，生成更多的“类似”系统。
     • 正则化强化：增加Dropout率（对于神经网络）、提高L1/L2正则化强度、降低树模型的最大深度。
     • 集成学习：使用Bagging或Boosting集成多个模型，降低方差。

3. 物理不可行的预测：

   • 问题：模型可能预测出一颗行星的轨道与已知行星交叉，这在动力学上是不稳定的，会很快导致系统瓦解。
   • 解决：在损失函数中加入“动力学稳定性惩罚项”。例如，计算预测轨道与最近已知行星的希尔球半径之比，如果太近（比如小于3倍希尔半径），就增加一个很大的损失值，迫使模型避免此类预测。

4. 评估指标误导：

   • 问题：使用标准的回归指标如MSE、MAE，可能会因为少数异常宽轨道的行星（如几十AU）而产生巨大误差，掩盖了模型对大多数紧凑轨道（<1AU）的预测能力。
   • 解决：
     • 对轨道半长轴取对数后再计算误差。
     • 使用分位数损失，关注预测区间的覆盖率（例如，90%的预测区间是否覆盖了真实值）。
     • 按轨道范围分段评估（如<1AU， 1-10AU， >10AU）。

5.2 模型效果分析与解释

训练完成后，不要只看测试集分数。进行深入分析：

• 残差分析：绘制预测误差与恒星质量、已知行星数量、轨道间距等特征的散点图。看看模型在哪些类型的系统上表现差？是不是对红矮星（M型星）系统预测不准？是不是对行星数量多的系统预测更好？
• SHAP值分析：使用SHAP库，可以清晰地看到对于单个预测，每个特征是如何影响最终结果的。你会发现，可能spacing_std（间距比的标准差）是最大的负向贡献者（间距越不规则，下一颗行星的位置越难预测），而star_mass的影响可能非线性。

5.3 项目的未来延伸方向

这个基础模型只是一个起点。要真正推动科研，可以考虑以下几个进阶方向：

1. 融入形成与演化模拟：与行星系统形成（如星云假说）的N体模拟相结合。用模拟数据来补充训练集，尤其是那些观测难以发现的、轨道偏心率高或倾角大的行星。
2. 多任务学习与迁移学习：同时预测下一颗行星的轨道半长轴、偏心率、甚至质量范围。不同任务共享底层特征表示，可能相互促进。还可以在大量的模拟数据上预训练模型，然后在真实的观测数据上进行微调。
3. 时序模型与注意力机制：将行星系统视为一个序列，使用Transformer或更先进的时序模型。注意力机制可以让模型更好地捕捉远距离行星之间的共振关系，而不是仅仅依赖相邻行星。
4. 生成式模型探索：变分自编码器（VAE）或生成对抗网络（GAN）可以用来学习已知多行星系统的整体分布，然后从该分布中采样，为不完整系统“生成”可能的完整构型，而不仅仅是预测下一颗。
5. 打造天文学家协作工具：将模型封装成一个Web工具或API，允许天文学家上传他们感兴趣的不完整系统参数，实时获取预测热图和推荐观测区间，并与已知的观测计划（如詹姆斯·韦伯太空望远镜的观测列表）进行交叉比对。

这个项目最令我着迷的一点是，它站在了数据驱动科学与传统物理建模的交叉点上。它不试图取代天体物理学家，而是成为一个强大的“辅助决策工具”。每一次模型的成功预测，如果后续被观测证实，不仅是一颗新行星的发现，更是对我们理解行星系统形成普遍规律的一次宝贵验证。在浩渺的数据星海中，机器学习正成为我们寻找宇宙秩序的新一代罗盘。