识别新行星的利用一个挑战是 ，每颗行星的新深习方系外行星大小都跟土星差不多并且彼此之间的位置异常接近
。并且还可以提供关于我们的度学太阳系是多么不寻常的新见解。在新研究中  ，法构发现

这一发现是成的成功通过Zikn开发的一种新的行星探测算法实现的 。令目前已知的深度神经系外行星增至4,569个，

Petigura说道：“Jon和Scaling K2团队设计的网络目录和行星检测算法是理解行星群的一个重大突破。其目标是个新识别遥远恒星附近的系外行星
。但这项工作的利用与众不同之处在于它将如何照亮整个系外行星群的特征。“我们需要观察广泛的新深习方系外行星恒星，分析开普勒任务的度学数据 ，

ExoMiner学习过往已确认系外行星和误报个案，法构发现然而遗憾的成的成功是
，ExoMiner高度准确，深度神经利用超级电脑“昴宿星团”（Pleiades）将真实的网络系外行星与其馀“冒牌”行星区分开来 ，成功发现了301个新的系外行星 ，研究这样一大批新天体可以帮助科学家更好地了解行星是如何形成和轨道是如何演变的 ，
ExoMiner项目负责人瓦利扎德甘（Hamed Valizadegan）表示，因为它可以帮助科学家形成对行星和行星系统如何发展的参数的更准确的理解。研究人员使用新软件以此分析K2的整个数据集--约500兆字节的数据，
加州大学洛杉矶分校天文学教授、该研究的共同作者Erik Petigura指出
：“发现数百颗新的系外行星本身就是一项重要的成就，”
发现有两颗气态巨行星的行星系统也非常重要，而不仅仅是像我们太阳这样的恒星，该目录将很快被纳入NASA的主系外行星档案
。天文学家已经确定的系外行星的数量总共不到5000颗，”
开普勒的最初任务在2013年意外结束  ，辨别哪些是哪些需要额外的调查，有助进一步了解地球以外的行星及太阳系 。目前是加州大学洛杉矶分校的博士后学者 。最初的开普勒任务用来识别可能的行星的软件无法处理K2任务的复杂性，Zink的算法则能区分哪些信号是行星哪些只是噪音。其中包括确定行星的大小和它们相对于恒星的位置的能力。因为很少发现气态巨行星--像我们自己太阳系中的土星--像在这种情况下那样接近它们的主星。但Zink表示 ，并且只能通过视觉检查来完成。这在很大程度上要归功于加州大学洛杉矶分校的一名博士后学者开发的算法。这在传统上是非常耗时的，该目录还列出了之前已经确定的381颗其他行星 。其中包括8亿多张恒星图像，这使得这一发现特别有用，研究人员还不能解释为什么会发生在那里，研究人员使用加州大学洛杉矶分校的Hoffman2集群来处理这些数据
。他在6月从加州大学洛杉矶分校获得博士学位，
除了研究人员确定的366颗新行星之外，”
据悉 ，以了解这一点 。来自K2的数据正在帮助科学家们了解恒星在银河系中的位置如何影响到在它们周围能形成什么样的行星。
“每一个新世界的发现都提供了对在行星形成中起作用的物理学的独特瞥见，
术语“系外行星”被用来描述我们太阳系之外的行星
。
这些发现于2021年11月23日发表在《Astronomical Journal》上。这项研究的论文第一作者是Jon Zink ，在他们最值得注意的发现中 ，
相关报道：天文学家利用高级行星探测技术发现了300多颗新潜在系外行星
（神秘的地球uux.cn报道）据cnBeta：美加州大学洛杉矶分校的天文学家已经确定了366颗新的系外行星，他和Petigura以及一个名为Scaling K2的国际天文学家团队通过利用NASA开普勒太空望远镜K2任务的数据确定了这些系外行星 。
NASA利用新深度学习方法构成的深度神经网络ExoMiner成功发现301个新系外行星
（神秘的地球uux.cn报道）据东网 ：美国太空总署（NASA）周一（22日）宣布科学家利用新深度学习方法构成的深度神经网络“ExoMiner” ，
Zikn称
 ，对此我毫无疑问。因此确定数百颗新的系外行星是一个重大进展。有一个由一颗恒星和至少两颗气态巨行星组成的行星系统，
但天文学家们将该望远镜重新用于一项被称为K2的新任务，失速器亮度的降低可能来自于仪器或模仿行星特征的其他天体物理源
。”他说道。其用软件来识别处理过的数据中可能的行星。从某些方面而言比现存的机械分类器和人类专家更可靠。以此来创建一个“目录” 。他们将使得我们对行星形成和演变的物理过程的理解变得更加清晰，这些发现可能是帮助天文学家了解哪些类型的恒星最有可能有行星环绕以及这表明成功的行星形成所需的构件的一个重要步骤 。
Zink和合作者以前的工作为K2引入了第一个完全自动化的管道，据悉，从数据的特征确认或否认系外行星。当时一个机械故障使航天器无法精确地指向它多年来一直观察的那片天空。