“帮天文学家“大海捞针” 人工智能有了新办法”

本篇文章1825字，读完约5分钟

近年来，随着技术的进步，天文学研究产生了大量的数据。 天文学家从郭守敬望远镜、中国天眼fast、lsst大型综合巡视望远镜等遍布世界的大型望远镜捕获的大量数据中找到有价值的新闻进行研究，无异于在海上找针。

有效解决这些数据已成为现代天文学面临的重要课题。 由于人工智能在大量数据观察和解决方面具有突出的优势，也自然进入了天文学家的视野。

日前，中国科学院云南天文台丽江天文观测所的龙潜研究员与云南大学中国西南天文研究所航天学研究组的尔欣中教授团队合作，利用人工智能深度学习的做法，发现了38个新的强引力透镜候选体，为研究天体物理学问题提供了新的可靠的太空探针候选体。 英国《皇家天文学会月刊》发表了这一消息。

通过天文观测产生大量数据，通过机器学习天体分类已经很普遍了

随着新一代大规模测光巡天工程的展开，人们期待着能发现数万个强大的镜头系统。 但是，如何在大量天体图像中迅速找到强力的候选重力透镜呢？ 近年来，人工智能的高速发展，为人类提供了新的可能性。

以2009年发射的升空全球首个太阳系外行星探测用飞行器开普勒太空望远镜为例，仅前三年半的任务期就监测到了15万多个恒星系统，也产生了大量数据。 这些数据一般由计算机解决，但是当计算机识别到一定的信号时，必须依赖人类的分解来评价行星轨道是否发生了。 这项巨大的筛选事业，仅靠美国国家航空空航天局( nasa )的科学家和科学小组是无法比较有效地完成的。

这样大量的数据量，通过人工分析经常得不到必要的速度。 人工智能的特点使我们能够大幅提高数据的分析速度。 龙潜向科技日报记者介绍说，人工智能所表现出的效率和准确性远远高于以前流传下来的做法。

龙潜研究员长期从事人工智能深度学习的研究。 最近，他与尔欣中教授团队合作，为寻找强大的重力镜头系统建立和训练了卷积神经互联网。 他们将这个互联网应用于欧洲南方天文台2.6米巡天望远镜( vst )的千平方度巡天数据，发现了38个新的强重力透镜候选人。 此次构建的神经网络还可以应用于其他大型望远镜的环绕数据。

在这项工作中，利用计算机分别模拟了强重力镜头图像和非强重力镜头图像，并对计算机进行了训练。 研究人员发现，在训练计算机准备图像时，非重力镜头图像比强重力镜头更重要。 据尔欣介绍，在最初的分解中，他们采用了简单的规则银河图像作为非强重力镜片训练样本，结果的正确率非常低。 只有考虑各种可能性的非重力镜头图像，才能得到比较好的结果。

这就像在教电脑什么是狗的时候，教猫、羊、牛等不是狗一样。 只是说猫不是狗，电脑把羊和牛当作狗的概率非常高。 根据龙潜说，目前利用机器学习对天文学中各种天体的分类非常普遍，最简单的是将恒星和银河分离，将不同行状的银河分类，利用银河的多重颜色推算银河的距离。

每秒可识别数万张照片的新型神经互联网，为实时编辑、培训和测试提供了便利。

如果观察人类强引力透镜系统的图像，最快可以每秒看到一张图像。 计算机每秒能识别千万张图像。

龙潜研究员和尔欣中教授团队训练的这个卷积神经互联网，可以完全利用gpu进行并行加速，通过装备越来越多的gpu或更强的gpu，系统可以根据实际需要大幅提高搜索速度和效率。

该神经网络的训练首先采用模拟数据，只采用较少的人工标记数据，但模拟数据可以任意生成，因此这种多样化远远大于人工标记数据，进而基于数据的优越性 龙潜还表示，研究人员使用新的科学计算语言julia完全定制了互联网结构。 由于julia语言兼具速度和灵活性，神经互联网在cpu和gpu上都具有良好的性能，同时可以任意切换。 因为这对于研究者实时进行改变、训练、测试非常有用。

通过对引力透镜数据的研究，实验表明定制具有对比性的小型互联网，比较有效地抑制过拟合现象，具有与大型互联网相似的准确率。 与大型互联网相比，小型互联网可以用普通的计算机终端进行训练和测试，不需要依赖大型gpu集群，便于天文学家采用和改进互联网。 龙潜说。

目前，随着技术和装备水平的高速发展，人工智能在天文学中的应用将会更多。 我们计划对有点变源的多波段光变曲线进行机器的快速分类。 这样，在进行大样本巡逻时，计算机可以自动筛选所发现的变源，提示我们感兴趣的天体，从而开展后续的研究工作。 尔欣表示，正是因为有了人工智能的帮助，天文学家才能摆脱耗时单调的数据筛选，在人力海上找针困难的日子里，正是人工智能大显身手的时候。 (记者赵汉斌通讯员陈艳)