有一种新方法可以帮助天文学家“大海捞针”人工智能

天文学家有了一种新的方法来“大海捞针”人工智能

近年来，随着技术的发展，天文研究产生了海量数据。天文学家想从世界各地大型望远镜捕捉到的海量数据中寻找有价值的信息进行研究，如郭守敬望远镜、“五百米口径球面射电望远镜(FAST)”、FAST、LSST大型综合巡天望远镜等，无异于大海捞针。

如何高效地处理这些数据已经成为现代天文学面临的重要挑战。由于人工智能在海量数据分析处理方面的突出优势，自然进入了天文学家的视野。

近日，中国科学院云南天文台丽江天文台研究员龙谦与云南大学西南中国天文研究所宇宙学研究组二新中教授合作，通过人工智能深度学习的手段，发现了38个强引力透镜新候选者，为研究天体物理问题提供了新的可靠候选者。英国《皇家天文学会月刊》公布了研究结果。

天文观测通过机器学习产生海量数据并对天体进行分类是非常常见的

随着下一代大规模光度巡天工程的开展，人们期望发现成千上万个强引力透镜系统。但是如何在海量天体图像中快速找到强引力透镜的候选呢？近年来，人工智能的快速发展为人类提供了新的可能。

以2009年发射的世界上第一架探测太阳系外类地行星的飞机开普勒任务为例。在任务的前三年半，它监测了超过15万个恒星系统，并产生了大量数据。这些数据通常由计算机处理，但当计算机识别出某个信号时，就必须依靠人类的分析来判断它是否由行星轨道产生。光靠NASA的科学家或科学团体是无法有效完成这项庞大的筛选工作的。

“数据量如此之大，很多情况下人工分析还没有达到要求的速度。借助人工智能的优势，我们可以大大提高数据的分析率。”龙倩告诉科技日报记者，人工智能的效率和准确率远高于传统方法。

龙倩研究员长期从事人工智能的深度学习。最近，他与尔新忠教授合作，构建和训练了一个卷积神经网络来寻找强引力透镜系统。他们将这一网络应用于欧洲南方天文台2.6米天空测量望远镜(VST)的测量数据，发现了38个强引力透镜的新候选者。这次构建的神经网络也可以应用于其他大型望远镜的测量数据。

“在这项工作中，我们使用计算机模拟强引力透镜图像和非强引力透镜图像，从而训练计算机。我们发现，在准备训练计算机的图像时，非强引力透镜图像比强引力透镜图像更重要。”尔新忠说，在最初的分析中，他们用简单的规则星系图像作为非强引力透镜训练样本，发现结果的准确率很低。只有考虑到各种可能的非引力透镜图像，才能得到更好的结果。

“这就像教电脑什么是狗，告诉它猫、羊、牛不是狗。而且如果你只告诉它猫不是狗，那么计算机识别羊和牛是狗的概率非常高。”龙潜说，目前天文学中使用机器学习对各种天体进行分类是非常普遍的。最简单的方法是把恒星和星系分开，或者把星系分成不同的行，用星系的多种颜色来估计星系的距离。

新的神经网络每秒可识别数万张照片，便于实时修改、训练和测试

人们看到强引力透镜系统图像的最快方法是每秒钟看一张照片。计算机每秒钟可以识别成千上万张图片。

这种由龙潜研究员和尔新忠教授训练的卷积神经网络，可以充分利用GPU进行并行加速。通过配备更多或更强的图形处理器，系统可以根据实际需要大大提高搜索速度和效率。

“这种神经网络的训练主要使用模拟数据，只使用少量的人工标注数据。由于模拟数据可以任意生成，多样性远远大于人工标注数据。此外，根据数据的特征调整训练参数和训练算法。神经网络的泛化能力有了很大的提高。”龙茜说，此外，研究人员使用新的科学计算语言Julia来完全定制网络结构。由于Julia兼具速度和灵活性，神经网络在CPU和GPU上有很好的性能，可以随意切换，非常有利于研究人员进行实时修改、训练和测试。

“我们还通过对引力透镜数据的研究定制了有针对性的小网络，有效抑制了过拟合现象。同时，实验证明，该网络的精度与大型网络相似。与大型网络相比，小型网络可以在普通计算机终端上进行训练和测试，而不需要依赖大型GPU集群，这为天文学家使用和改进网络提供了便利。”龙茜说。

目前，随着技术和设备的快速发展，人工智能在天文学中的应用将越来越多。“我们计划对机器进行快速分类，寻找一些多波段的变源光曲线，这样在进行大样本调查时，计算机就能自动筛选出发现的变源，并对我们感兴趣的天体做出提示。以便进一步开展后续研究工作。”尔新忠说，借助人工智能，天文研究人员可以从耗时、单调的数据筛选和分析中解脱出来，正是人工智能在人们大海捞针难的时候可以大显身手的时候。

标签：

版权声明：本文由用户上传，如有侵权请联系删除！