1. 项目概述：当经典定律遇见现代算法

在系外行星搜寻这场宇宙“寻宝”游戏中，我们手里有两张看似风格迥异的地图。一张是源自18世纪的“古董地图”——提丢斯-波得定则，它用一个简洁的数学公式描述了太阳系行星轨道半长轴的对数间距规律，曾成功预言了天王星和小行星带的存在。另一张则是21世纪的“智能导航”——机器学习，它能从海量、多维的天文数据中自动挖掘出人眼难以察觉的复杂模式。将这两者结合，听起来像是让一位天文学家与一位数据科学家联手，用古典的直觉和现代的算力，共同在星辰大海中标注出那些最有可能存在未知行星的坐标。这正是我们工作的核心：不是抛弃经典，而是用最前沿的数据工具去验证、拓展并赋能古老的智慧，构建一个数据驱动的系外行星预测框架。

这项工作的价值显而易见。随着开普勒、TESS等空间望远镜投入运行，我们获取的系外行星数据正以指数级增长。面对数以千计的恒星系统，仅靠传统的凌星法或径向速度法进行盲搜，无异于大海捞针，效率低下且成本高昂。机器学习模型能够学习已知多行星系统的构型规律，并结合提丢斯-波得定则所提供的轨道间距先验知识，高效地筛选出最有可能存在未被探测行星的候选系统，甚至预测其大致轨道周期。这不仅能直接指导后续的观测计划，将宝贵的望远镜时间聚焦于高概率目标，更能帮助我们理解行星系统形成的普遍动力学规律。无论是专业的天文研究者希望优化观测策略，还是数据科学爱好者对天体物理的交叉应用感兴趣，这个结合了天体力学与数据挖掘的课题，都提供了一个绝佳的实践窗口。

2. 核心原理与数据基石

2.1 提丢斯-波得定则的现代表述与适用性检验

提丢斯-波得定则的传统形式为 \( a_n = 0.4 + 0.3 \times 2^n \)，其中 \( a_n \) 是第n颗行星轨道半长轴（以天文单位AU计）。在系外行星研究中，我们更常使用其对数线性形式，这更便于拟合和统计检验。对于一个包含N颗行星的系统，将其行星按轨道周期从小到大排序为 \( P_0, P_1, ..., P_{N-1} \)，定则可以表述为：

\[ \log P_n = b + m \times n \]

这里，\( b = \log P \) 是截距，\( m = \log \alpha \) 是斜率，本质上描述了相邻行星轨道周期对数的平均间距。对于一个严格符合该定则的理想系统，其数据点在 \( (n, \log P_n) \) 坐标系中应完美落在一条直线上。

然而，系外行星系统千差万别，完全严格符合的可能性极低。因此，我们需要一个量化“符合程度”的指标。通常使用约化卡方 \( \chi^2 / dof \) 来衡量观测数据与TB定则预测直线的偏离程度，计算公式为：

\[ \frac{\chi^2}{N-2} = \frac{1}{N-2} \sum_{n=0}^{N-1} \left[ \frac{(b + m \times n) - \log P_n}{\sigma} \right]^2 \]

其中，\( \sigma \) 是一个反映系统稀疏或紧凑程度的参数，通常定义为 \( \sigma = 0.273 S_p \)，而 \( S_p = (\log P_{N-1} - \log P_0) / N \) 是系统内行星的平均对数周期间距。这个设计很巧妙：它用一个与系统自身结构相关的参数 \( \sigma \) 来归一化误差，使得不同紧凑程度的系统之间具有可比性。我们将太阳系的 \( \chi^2 / dof \) 调整为1作为基准线。如果一个系外行星系统的 \( \chi^2 / dof \le 1 \)，我们认为它比太阳系更符合TB定则；反之则符合度更差。

注意 ：这里存在一个关键假设，即TB定则描述的是一种“最优”或“最稳定”的轨道间距规律。但行星系统的形成是动力学过程、原行星盘演化、恒星潮汐等多重因素作用的结果。TB定则可能只是这些复杂过程在统计学上呈现出的一个近似规律，而非物理上的“定律”。因此，将其用作预测工具时，必须对结果保持审慎，并辅以动力学稳定性等物理约束进行筛选。

2.2 机器学习预测模型的特征工程与算法选型

为了预测行星半径，我们需要构建一个监督学习回归模型。其核心是找到一个函数 \( f \)，使得 \( R_p = f(P, e, M_p, M_s, R_s, [Fe/H], T_{eff}) \) 的预测误差最小。这里，特征（自变量）的选择至关重要。

1. 特征选择 ：我们采用了多种特征选择方法以确保模型的稳健性。

   • 过滤法（如斯皮尔曼等级相关） ：快速评估每个特征与目标变量（半径）之间的单调关系强度。
   • 包装法（如向前选择、向后消除） ：基于特定机器学习算法（如线性回归）的性能，通过迭代添加或删除特征来找到最优特征子集。
   • 嵌入法（如决策树CART、XGBoost） ：在模型训练过程中自动进行特征重要性排序。XGBoost这类梯度提升树模型能提供非常可靠的特征重要性评分。

   在我们的实践中，行星质量 \( M_p \) 和平衡温度（可由轨道周期和恒星有效温度推导） consistently被列为最重要的两个特征。这与物理直觉一致：质量是决定行星引力压缩和结构的基本参数；平衡温度则影响大气层的热膨胀状态，从而影响观测到的行星半径。

2. 数据预处理与离群值处理 ：天文观测数据存在误差，且不同探测方法（凌星法、径向速度法）的测量偏差不同。我们首先将所有参数转换到对数空间，这有助于稳定方差并使关系更接近线性。随后，使用 局部离群因子（LOF） 方法检测并移除多维特征空间中的异常点。LOF特别适合处理密度不均匀的数据集，它能识别出那些相对于其邻居密度显著较低的点，这些点可能是测量错误或极为特殊的行星（如极端热木星），将其移除可以提高模型在主要行星群体上的泛化能力。

3. 算法选择与评估 ：我们测试了多种回归算法：

   • 线性模型 ：线性回归、支持向量回归（SVR）。优点是可解释性强，能直接得到如 \( \log R_p = A \log M_p + B \log T_{eq} + C \) 的物理意义明确的方程。
   • 树模型 ：决策树、随机森林、XGBoost。这类模型能捕捉复杂的非线性关系，且对特征量纲不敏感，通常能取得更高的预测精度。
   • 神经网络 ：多层感知机（MLP）。作为万能近似器，理论上可以拟合任何复杂关系，但需要更多数据且解释性较差。

   模型性能通过 均方根误差（RMSE） 、 平均绝对误差（MAE） 和 决定系数（\( R^2 \)） 来评估。我们采用10折交叉验证来确保评估结果的稳定性，避免过拟合。

2.3 预测未知行星的两步走策略

我们的预测流程分为两个主要阶段，逻辑上层层递进：

1. 轨道位置预测（基于TB定则） ：

   • 外推 ：对于所有系统，无论符合度如何，都在最外侧观测行星之外，依据TB定则的斜率外推一颗行星的轨道周期。
   • 内插 ：对于符合度比太阳系差（\( \chi^2 / dof > 1 \)）的系统，进行内插预测。具体方法是：在观测到的相邻行星轨道之间，随机插入1到10颗“假设行星”，计算每次插入后新的 \( \chi^2 / dof \)。我们定义一个改进效率参数 \( \gamma = (\chi^2_i - \chi^2_j) / (\chi^2_j \times n_{ins}) \)，其中 \( \chi^2_i \) 和 \( \chi^2_j \) 分别是插入前后系统的卡方值。选择使 \( \gamma \) 值最大的插入方案（即用最少的插入行星数最大程度改善系统对TB定则的符合度）作为最佳预测。这个过程通过马尔可夫链蒙特卡洛（MCMC）方法量化拟合参数的不确定性。

2. 物理属性预测（基于机器学习） ：

   • 对于每个由TB定则预测出的轨道位置（周期 \( P \)），我们需要估计这颗“候选行星”的物理属性，尤其是半径 \( R_p \)，以评估其被现有观测手段探测到的可能性。
   • 首先，利用该系统内 信噪比最低 的那颗已探测行星的观测极限，来估算候选行星的 最大可能半径或质量 。对于凌星系统，最大半径 \( R_{max} \propto (P_{predicted}/P_{minSNR})^{0.25} \)；对于径向速度系统，最大质量 \( M_{max} \propto (P_{predicted}/P_{minSNR})^{7/6} \)。这个步骤回答了“如果那里有行星，它最多能有多大/多重而不至于被我们漏掉？”。
   • 然后，利用我们训练好的机器学习半径预测模型，结合预测的轨道周期、宿主恒星参数等，估算该轨道上行星的 典型半径 。将“最大可能半径”与“模型预测半径”结合，可以给出一个更合理的半径估计范围。

3. 实操流程与核心环节实现

3.1 数据获取与样本构建

任何数据驱动研究的基石都是高质量的数据集。我们主要从两个权威数据库获取数据：

1. NASA系外行星档案 ：数据全面、更新及时，是凌星行星数据的主要来源。
2. 系外行星百科全书 ：收录范围更广，包含更多通过径向速度法发现的行星。

样本I（用于TB定则分析） ：我们筛选出所有拥有至少3颗已确认行星的 多行星系统 。截至研究时，共获得229个这样的系统，包含818颗行星。其中凌星法发现的占81.5%，径向速度法占16.4%。这个样本是检验TB定则和预测新行星轨道的基础。一个关键的数据清洗步骤是排除 开普勒-132 系统，因为后续研究证实其两颗周期相近的行星很可能不在同一颗恒星周围运行，这违反了TB定则应用于单一恒星系统的基本前提。

样本II（用于机器学习建模） ：我们需要行星的 半径 和 质量 都已被测量的数据，以建立可靠的预测模型。最终获得了762颗系外行星，并加入了太阳系的8颗行星作为参考，总计770颗行星。这个样本涵盖了从岩石行星到气态巨星的多种类型，是训练机器学习模型的理想数据集。

实操心得 ：数据合并时，务必注意统一参数的单位和定义。例如，NASA档案和百科全书对于行星质量，有时报告的是真实质量，有时是 \( M \sin i \)（最小质量）。在样本II中，我们明确排除了只有最小质量数据的行星，以确保质量-半径关系的可靠性。此外，恒星金属度 \( [Fe/H] \) 的测量基准（相对于太阳）也需要确认一致。

3.2 基于TB定则的插值预测具体实现

以内插预测为例，其计算过程可以通过编程实现。以下以Python伪代码展示核心循环逻辑：

import numpy as np
from scipy.optimize import curve_fit
import itertools

def tb_law(n, b, m):
    """TB定则对数形式模型"""
    return b + m * n

def calculate_chi2(periods, sigma):
    """计算给定行星周期数组的chi2/dof"""
    n = np.arange(len(periods))
    logP = np.log10(periods)
    try:
        popt, pcov = curve_fit(tb_law, n, logP, sigma=sigma*np.ones_like(logP))
        b, m = popt
        residuals = logP - tb_law(n, b, m)
        chi2 = np.sum((residuals / sigma)**2)
        chi2_dof = chi2 / (len(periods) - 2)
        return chi2_dof, b, m
    except:
        return np.inf, None, None

def interpolate_planets(observed_periods, max_insert=10):
    """
    在观测到的行星轨道间内插预测新行星
    observed_periods: 已观测行星的周期列表（已排序）
    max_insert: 最大尝试插入行星数
    """
    best_gamma = -np.inf
    best_configuration = None
    best_chi2_after = None
    best_params = (None, None)
    
    # 计算系统稀疏度和初始chi2
    Sp = (np.log10(observed_periods[-1]) - np.log10(observed_periods[0])) / len(observed_periods)
    sigma = 0.273 * Sp
    chi2_initial, _, _ = calculate_chi2(observed_periods, sigma)
    
    for n_ins in range(1, max_insert + 1):
        # 生成所有可能的插入位置组合（在相邻观测行星之间）
        # 此处简化：在每对相邻行星间生成若干个候选周期点
        candidate_periods_list = generate_candidates_between(observed_periods, n_ins)
        
        for candidate_periods in candidate_periods_list:
            # 合并观测与候选周期
            trial_periods = np.sort(np.concatenate([observed_periods, candidate_periods]))
            chi2_new, b_new, m_new = calculate_chi2(trial_periods, sigma)
            
            if chi2_new < np.inf:
                gamma = (chi2_initial - chi2_new) / (chi2_new * n_ins)
                if gamma > best_gamma:
                    best_gamma = gamma
                    best_configuration = candidate_periods
                    best_chi2_after = chi2_new
                    best_params = (b_new, m_new)
    
    return best_configuration, best_gamma, best_chi2_after, best_params

# 示例：对一个假设系统进行内插
obs_periods = np.array([5.0, 10.0, 30.0, 90.0])  # 假设观测到的4颗行星周期（天）
best_pred, gamma, chi2, (b, m) = interpolate_planets(obs_periods, max_insert=5)
print(f"最佳插入行星周期: {best_pred}")
print(f"改进效率 gamma: {gamma:.3f}")
print(f"插入后 chi2/dof: {chi2:.3f}")
print(f"TB关系参数: b={b:.3f}, m={m:.3f}")

这段代码的核心是遍历所有可能的内插方案。 generate_candidates_between 函数需要在每对相邻观测周期之间，合理地生成一系列候选周期值（例如，在对数空间均匀采样）。在实际研究中，我们使用了多达5000个随机位置进行搜索，以确保找到全局最优解。MCMC方法则用于在找到最优配置后，对参数 \( b \) 和 \( m \) 的后验分布进行采样，从而给出其不确定性范围。

3.3 机器学习模型的训练与半径预测

以随机森林回归模型为例，其训练和预测流程如下：

import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import cross_val_score, train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score

# 1. 加载和预处理数据（样本II）
# 假设df是一个包含所有特征的DataFrame，目标变量是‘radius’
features = ['log_mass', 'log_period', 'log_stellar_mass', 'log_stellar_radius', '[Fe/H]', 'log_Teff']
target = 'log_radius'

# 对数转换
for col in ['mass', 'period', 'stellar_mass', 'stellar_radius', 'radius']:
    df[f'log_{col}'] = np.log10(df[col])
df['log_Teff'] = np.log10(df['Teff'])

# 2. 划分训练集和测试集
X = df[features].values
y = df[target].values
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 3. 训练随机森林模型
rf_model = RandomForestRegressor(n_estimators=200,  # 树的数量
                                  max_depth=15,       # 控制树深，防止过拟合
                                  min_samples_split=5,
                                  random_state=42)
rf_model.fit(X_train, y_train)

# 4. 评估模型
y_pred = rf_model.predict(X_test)
rmse = np.sqrt(mean_squared_error(10**y_test, 10**y_pred))  # 转换回线性空间计算误差
mae = mean_absolute_error(10**y_test, 10**y_pred)
r2 = r2_score(y_test, y_pred)

print(f"测试集 RMSE: {rmse:.3f} R_Earth")
print(f"测试集 MAE: {mae:.3f} R_Earth")
print(f"测试集 R^2: {r2:.3f}")

# 5. 特征重要性分析
importances = rf_model.feature_importances_
feature_importance_df = pd.DataFrame({'feature': features, 'importance': importances})
feature_importance_df = feature_importance_df.sort_values('importance', ascending=False)
print("\n特征重要性排序:")
print(feature_importance_df)

# 6. 预测新行星半径
# 假设我们通过TB定则预测了一颗新行星，已知其轨道周期log_period_pred和宿主恒星参数
new_planet_features = np.array([[log_mass_pred, log_period_pred, log_stellar_mass, ...]])
predicted_log_radius = rf_model.predict(new_planet_features)
predicted_radius = 10**predicted_log_radius
print(f"预测行星半径: {predicted_radius[0]:.2f} R_Earth")

注意事项 ：在评估误差时，务必注意我们是在对数空间训练模型，但最终关心的半径误差是在线性空间。因此，需要将预测值和真实值都转换回线性尺度后再计算RMSE和MAE，否则会严重低估实际误差。此外，随机森林虽然强大，但其预测是一个“黑箱”。为了获得可解释的物理关系，可以同时训练一个线性回归或M5P模型，后者能产生分段线性公式，更具物理洞察力。

4. 结果分析与验证策略

4.1 TB定则预测结果概览

将上述方法应用于229个多行星系统（样本I），我们得到了以下关键结果：

• 符合度统计 ：有122个系统（约53%）无需内插就比太阳系更符合TB定则。对于另外107个符合度较差的系统，通过内插1-10颗行星，它们的符合度都能提升到与太阳系相当或更好的水平。这强烈暗示，许多观测到的多行星系统之所以看起来“不符合”TB定则，可能是因为其中还存在未被发现的“缺失行星”。
• 预测数量 ：通过外推和内插，我们总共预测了426颗潜在的“缺失行星”。其中，有6颗行星的预测位置与NASA系外行星档案中已标记的“行星候选体”位置相符，这为我们的预测方法提供了初步的观测支持。
• 系统示例 ：以GJ 667 C系统（拥有至少3颗潜在宜居带行星的著名红矮星系统）为例，我们的分析显示，插入4颗行星（n_ins=4）时，系统对TB定则的符合度改善最大（γ值最高）。图3.1和表3.1展示了这一过程，MCMC后验分布图（图3.2）则给出了拟合参数 \( b \) 和 \( m \) 的可靠置信区间。

4.2 动力学稳定性与可探测性筛选

预测出一颗行星的轨道位置只是第一步，我们还需要从物理上评估其存在的合理性。

1. 动力学稳定性检验 ：使用 Gladman (1993) 提出的动力学间距准则 \( \Delta \)。对于两颗相邻行星，其 \( \Delta \) 值计算公式为： \[ \Delta = \frac{2 M_s^{1/3} (P_2^{2/3} - P_1^{2/3})}{(M_1 + M_2)^{1/3}(P_2^{2/3} + P_1^{2/3})} \] 其中 \( M_s \) 是恒星质量，\( M_1, M_2 \) 和 \( P_1, P_2 \) 是两颗行星的质量和周期。通常认为，当 \( \Delta < 10 \) 时，两颗行星的轨道可能不稳定，除非它们处于轨道共振中（如2:1, 3:2共振）。我们对所有包含宜居带内预测行星的系统，计算了相邻行星对的 \( \Delta \) 值，并检查了它们的周期比是否接近简单的整数比（在2%容差内）。这能帮助我们筛选掉那些在动力学上极不稳定的预测。

2. 凌星概率估算 ：对于通过凌星法发现的系统，预测的行星是否也能被凌星法探测到？一颗行星发生凌星（从地球视角看它经过恒星前方）的几何概率近似为 \( P_{tr} \approx R_s / a_p \)，其中 \( R_s \) 是恒星半径，\( a_p \) 是行星轨道半长轴。对于像开普勒望远镜观测的多行星系统，通常认为行星轨道是近共面的。因此，如果系统中已有多个行星被凌星法发现，那么预测行星位于同一轨道平面内的概率就很高，其凌星概率可以直接用上述公式估算。我们可以优先关注那些凌星概率高（例如>5%）、且预测半径大于当前观测灵敏度极限的候选体。

4.3 机器学习模型性能与特征洞察

在样本II上训练和评估的机器学习模型，为我们提供了预测行星半径的强大工具。

• 模型比较 ：下表展示了部分模型在10折交叉验证下的平均性能（在对数空间评估，R²越高越好，RMSE和MAE越低越好）：

模型	R²	RMSE (log R_Earth)	MAE (log R_Earth)	主要特点
线性回归	0.72	0.18	0.14	可解释性强，得到线性公式
支持向量回归(SVR)	0.78	0.15	0.11	对高维空间非线性关系处理较好
随机森林	0.85	0.12	0.09	精度高，能处理复杂交互，抗过拟合
XGBoost	0.86	0.11	0.08	精度最高，训练速度快，特征重要性可靠
多层感知机(MLP)	0.82	0.13	0.10	需要仔细调参，易过拟合

• 特征重要性 ：无论是从XGBoost还是随机森林模型得到的结果都一致表明， 行星质量（log M_p） 是预测半径的最重要特征，贡献度超过50%。其次是 平衡温度相关参数 （与周期和恒星温度有关）。恒星金属度（[Fe/H]）和半径也有一定贡献，但远小于前两者。这证实了我们的物理直觉：行星自身的质量和所处的热环境是决定其大小的核心因素。

• 预测方程示例 ：使用M5P模型可以得到一个分段线性方程，例如： \[ \text{如果 } \log M_p \le 1.2: \quad \log R_p = 0.55 \log M_p + 0.12 \log T_{eq} - 0.85 \] \[ \text{如果 } \log M_p > 1.2: \quad \log R_p = 0.01 \log M_p + 0.25 \log T_{eq} + 0.10 \] 这清晰地反映了之前研究中的发现：对于小质量行星（主要是岩石行星），半径随质量增长较快（指数约0.55）；而对于大质量行星（主要是气态行星），半径几乎不随质量增长（指数约0.01），这是因为引力压缩与内部热压力达到了平衡。

5. 常见问题、挑战与未来方向

5.1 方法论的内在局限与挑战

1. TB定则的物理基础问题 ：最大的质疑在于，TB定则本质上是一个经验公式，缺乏坚实的物理学推导。行星系统的最终构型是原行星盘物质分布、引力相互作用、迁移、共振捕获等复杂过程的结果。TB定则可能只是这些过程产生的某种统计规律，而非因果律。因此，基于它的预测存在“巧合拟合”的风险。

2. 观测偏差的循环影响 ：我们的训练数据（已知系外行星）存在严重的观测偏差。凌星法更容易发现轨道周期短、半径大的行星；径向速度法则对靠近恒星的大质量行星更敏感。这种偏差会直接“教给”机器学习模型：“数据中常见的行星就是宇宙中常见的行星”。这可能导致模型低估了遥远或小质量行星的多样性。

3. 数据质量与完整性 ：许多行星的质量或半径测量存在较大误差，尤其是小质量行星。恒星参数的误差也会传导至行星参数。此外，一个系统被认为只有3颗行星，可能仅仅是因为目前的观测数据只能确认3颗，而非实际只有3颗。这种“不完整性”直接影响TB定则拟合和机器学习训练的准确性。

4. “预测”的验证困境 ：我们预测了数百颗行星，但其中绝大多数尚未被证实。天文观测的确认周期长、成本高。即使后续观测没有在预测位置发现行星，也不能完全证伪预测，因为可能是行星太小、轨道倾角不合适或根本不存在。这使得评估预测方法的真正成功率变得非常困难。

5.2 实操中的技术难点与解决方案

• 如何处理只有最小质量（M sin i）的行星？ 在样本II中，我们直接排除了这类行星，以确保质量-半径关系的可靠性。但在更广泛的应用中，可以尝试使用统计方法，根据轨道倾角的概率分布，将最小质量转换为真实质量的概率分布，再进行建模，但这会引入额外的不确定性。

• 机器学习模型过拟合怎么办？ 我们采用了多种策略：1) 使用交叉验证评估泛化能力；2) 通过特征选择剔除冗余特征；3) 对树模型限制最大深度、增加最小分裂样本数；4) 使用正则化项（如在神经网络中）。同时，保留一个独立的测试集（不参与任何训练和特征选择）进行最终评估至关重要。

• 不同探测方法的数据如何合并？ 凌星法直接测量半径，径向速度法直接测量质量。对于同时有两种测量数据的行星，可以直接使用。对于只有一种数据的行星，在训练半径预测模型时，我们只能使用那些同时有半径和质量测量的行星。在预测时，如果目标系统是凌星法发现的，我们就用半径预测模型；如果是径向速度法发现的，则可能需要先用一个质量预测模型（如果构建了的话），或者利用质量-半径关系进行转换。

• 如何确定内插行星的数量上限？ 我们设定最多插入10颗，这是一个经验值。理论上，可以一直插到 \( \chi^2/dof \) 不再显著改善为止。但过多的插入行星会使系统变得不切实际地拥挤，动力学上不稳定。因此，需要结合动力学稳定性准则来约束。一个更稳健的做法是，将插入行星数作为一个超参数，用贝叶斯信息准则（BIC）或赤池信息准则（AIC）来权衡模型复杂度和拟合优度。

5.3 未来改进方向与应用拓展

1. 融入更多物理约束 ：未来的预测框架不应只依赖统计规律。可以将 行星形成与演化模型 的模拟结果作为先验知识。例如，将行星在大气光致蒸发、核心吸积等模型下的预期半径范围，作为机器学习模型的约束条件。同时，将 N体动力学模拟 直接集成进来，实时检验预测轨道的长期稳定性，只保留那些能稳定存在数十亿年的构型。

2. 发展更强大的混合模型 ：可以探索将TB定则的“轨道间距模块”与机器学习的“物理属性模块”更深层次地耦合。例如，用一个神经网络同时学习行星的轨道分布规律和质量-半径-温度关系，输入是恒星性质和原行星盘初始条件，输出是整个行星系统的构型。这类生成式模型虽然复杂，但更接近真实的物理过程。

3. 应用于下一代巡天数据 ：即将投入运行的 南希·格雷斯·罗曼空间望远镜 和 激光干涉空间天线（LISA） 等设施，将带来海量的微引力透镜和天体测量数据。我们的预测框架可以提前生成重点观测的候选目标列表，特别是针对那些可能拥有 宜居带地球质量行星 的系统。将预测范围从气态巨行星扩展到类地行星，是更具科学价值的方向。

4. 开源工具与社区协作 ：将整个数据处理、TB定则拟合、机器学习训练和预测的流程打包成开源软件（例如Python的 astroTB 或 ExoPredict 包），并提供清晰的文档和示例。这能降低领域内其他研究者的使用门槛，促进方法的检验和改进。通过社区协作，不断用新发现的行星来更新和迭代预测模型，使其成为一个活的、不断进化的科学工具。

这项工作站在了天体物理学与数据科学的交叉点上。它提醒我们，在数据爆炸的时代，古老的智慧未必过时，它可以被重新校准，并与现代算法融合，指引我们更高效地探索未知。虽然每一个预测都还需要最终的观测来裁决，但这个过程本身，已经极大地深化了我们对行星系统构型规律的理解。每一次预测，都是一次对宇宙秩序的提问；而每一次后续的观测，无论证实还是证伪，都是宇宙给予我们的珍贵回答。