看人工智能如何发现夜空中最亮的星

近年来，人工智能越来越多地应用于天文学研究。深入学习需要大量数据，而天文学是人工智能发挥作用的领域。机器可以在广阔的海洋中为人类寻找针，捕捉新的恒星、新的外星行星甚至暗物质。寻找暗物质，机器比人类的眼睛好。最近发表在《计算天体物理学和宇宙学》上的一篇论文表明，由洛伦茨·伯克利国家实验室(以下简称“伯克利实验室”)和美国其他机构联合开发的深度学习人工智能框架可以探索宇宙中暗物质的迹象。

认识到“引力透镜”，艾立功了

发现“引力透镜”是研究暗物质分布的基本方法。巨大的质量物体会像透镜一样扭曲通过的光线。找出这种扭曲，你就能捕捉到不发光的质量物体。

该论文表明，由伯克利实验室建立的深度学习人工智能框架CosmoGAN可以分析引力透镜和暗物质之间的相关性。它可以创建一个高保真，弱重力镜头会聚图。

从前，寻找“引力透镜”所需的模拟和数据处理非常麻烦。二十名科学家花了几个月的时间只看了一张小的空间图像。物理模拟需要数十亿个计算小时，并占用数兆字节的磁盘空间。

神经网络的进步提供了机会。伯克利实验室领导的团队引入了“生成对抗网络”。研究人员穆斯塔法说:“有其他深度学习方法可以从许多图像中获得收敛图，但与竞争方法相比，遗传神经网络生成非常高分辨率的图像，同时仍然具有神经网络的高效率。”

现在天文学家可以用宇宙探测器以更快的速度分析更大的天空区域。

CosmoGAN并不是唯一一个取得进展的天文学深度学习神经网络。例如，多伦多大学使用深度学习技术来分析月球环形山的卫星图像。P8超级计算机的神经网络在短短几个小时内发现了6000个新陨石坑，是过去几十年人类发现的陨石坑数量的两倍。伊利诺伊大学厄巴纳-香槟分校利用深入学习来检测和分析黑洞碰撞产生的引力波。人工智能在天文学中无处不在。

数据太多了，没有机器不能玩。

在过去的几年里，天文学领域的大多数方向都试图使用人工智能。考虑到天文学要处理的数据量，这是一个自然的想法。让机器实践来分析这些线索，否则，未来的天文学将不起作用。

不久前，2019年GPU技术大会吸引了来自世界各地的人工智能学者。会议邀请了加州大学圣克鲁斯分校的天文学家布兰特·罗伯逊发表演讲。他指出:“天文学处于新数据革命的前沿。”罗伯逊认为新一代天文仪器必须与由深度学习驱动的新一代软件相匹配。

例如，大口径全天巡逻望远镜(LSST)，预计将在3年后运行。它巡视了宇宙南半部的370亿个星系，制作了一个10年不间断的视频。LSST配备了一台32亿像素的照相机，每晚能产生25TB的数据，相当于先进天文望远镜一生中贡献的所有数据。

另一个例子是平方公里阵列射电望远镜(SKA)。它遍布世界各地，一些天线部署在南部非洲的8个国家，超过100万个天线部署在澳大利亚和新西兰。它的原始数据达到每天5,000 PB，经过处理后，大约有50 PB。

“暗能量调查”汇集了数亿个星系的星图。“盖亚”卫星绘制星系系数为10亿的恒星地图；“兹维奇”项目每小时可以扫描3750平方度的天空。在中国，FAST将拥有150兆字节；每天的数据量；郭守敬望远镜已观测到901万个光谱，成为世界上最大的天体光谱库。

捕捉人类看不到的模式。

越来越多的数据，科学家试图把它们汇总起来。但在GPU会议上，罗伯逊表示，未来几个大型天文望远镜将一起产生大量数据，这些数据过于复杂，人类无法在聚合后直接使用。加州大学圣克鲁斯分校的科学家正试图解决这个问题。墨菲斯深度学习框架是由计算机科学系的一名博士生创建的，它可以根据望远镜的原始数据对天体进行逐个像素的分类。

加州大学圣克鲁斯分校的科学家也使用人工智能来更好地研究星系的形成。在他们于2019年初发表的一项研究中，科学家用计算机模拟的星系来训练计算机，以了解星系进化的三个关键阶段。后来，计算机分析了哈勃太空望远镜拍摄的星系图像，表现出人意料地好。

人工智能应用于人脸识别。经过大量的数据训练，人们可以根据照片认出一个人年老时的化妆和外貌。宇宙中的许多图像可以用同样的方式分类。

"深度学习可以发现模式，机器可以看到非常复杂的模式，但人类不能."“我们希望进一步测试这种方法，”参与的科学家大卫·Ku说。在概念验证研究中，该机器似乎成功地发现了模拟数据中确定的星系演化的不同阶段。"

帮助天文学家找到另一个太阳系

根据2018年底的一份报告，谷歌的人工智能已经从开普勒外行星观测数据库中发现了新的行星。行星很难找到。位于太空的开普勒卫星观测了145，000颗类日恒星，并从恒星亮度的微弱变化中发现了行星。这4年的记录包括大约35，000个可疑的行星记录。天文学家用机器结合人眼来识别，但是最暗和最弱的信号经常被忽略。

在谷歌人工智能的帮助下，我们发现了开普勒90i和开普勒80g。开普勒90也被证实是第一个拥有至少8颗行星的外星系。

神经网络和机器学习处理了140亿个数据点，然后成功地选择了候选对象。

美国宇航局和谷歌表示，新技术将在未来发现更多的系外行星。美国宇航局还表示，没有必要担心天文学家失业。美国宇航局科学家杰西·多森解释说，天文学家被要求在数据被提供给神经网络之前对其进行分类，以便人工智能能够学习和分析新的信息。

多森说:“人工智能肯定会与天文学家合作，并成为一个必不可少的工具。”

当然，机器学习也带来了“黑箱”风险:我们得到了答案，但我们不知道为什么机器会这样判断，也许答案是错误的。机器也会出错。天文学家将继续训练和适应它。

深度学习没有“物理直觉”

事实上，人工智能现在已经渗透到天体物理学的所有分支。目前，美国的洛伦茨·伯克利国家实验室可以通过深入学习，根据宇宙的三维密度分布，快速判断暗物质和暗能量等基本宇宙常数。他们发现，应用人工智能后，统计误差比以前应用的传统统计方法小得多。此外，我们还使用深度学习在极低信噪比的光谱中寻找早期宇宙中的氢和碳元素，这被发现优于传统方法。

同时，天文学家也在应用深度学习来帮助我们判断天体的三维位置、距离和距离，进而勾画出三维空间的大尺度结构。人们发现深度学习可能比我们以前在数据挖掘中使用的传统方法更好。谷歌还将人工智能应用于外行星探测领域，并成功探测到几颗外行星...可以说，人工智能现在广泛应用于天体物理学的前沿领域。

但是从物理学家的角度来看，基于深度学习的人工智能也有其局限性。这种限制是，它只能基于数据，并在明确定义的特定领域发挥作用。只有在物理学家的指导下，我们才能使统计的误差条变得更小，更准确地估计某个量，但目前我们还不能指导我们发现数据背后的新的物理规律。它也不具备人类基于美、对称和简单的“物理直觉”。

举个最简单的例子。例如，开普勒可以根据第谷的观测数据发现开普勒第三定律。然而，即使是最好的机器学习和人工智能算法也很难基于相同的数据重复这一发现。