人工智慧不止會下圍棋！天文學家將訓練它尋找宇宙中的「引力透鏡」

作者：Ramin Skibba,發表於2017年1月13日

【導讀】谷歌「深度學習」技術已經被天文學家利用，有望成為計算機自動識別引力透鏡的得力助手。

（謝頓/編譯）谷歌使用「深度學習」為圖像生成字幕，臉譜網（Facebook）用它識別人臉，而特斯拉用它來訓練自動駕駛汽車。現在，天文學家也涉足到深度學習領域，即一種機器學習的形式，可訓練計算機識別或分類圖像中的特定對象。當前最新的陸基望遠鏡，比如暗能量巡天望遠鏡，它坐落於智利北部，直徑為4米，其觀測範圍覆蓋了四分之一的南天。收集了數以百萬計天體圖像，其中往往包括視覺失真、宇宙射線和衛星痕迹等干擾項，這使得這些天體圖像難以被合理的解釋，而深度學習技術有助於快速處理這「數據洪流」。

來自伊利諾斯州巴達維亞費米實驗室的天體物理學家Brian Nord認為，天文學是深度學習技術的下一個開拓地。是一群尋找罕見宇宙引力透鏡的天體物理學家小組，引力透鏡現象通常伴隨著彎曲的光線或者出現多重鏡像，這說明存在一個大質量的天體扭曲了背景天體的光線。為了尋找引力透鏡現象，這些科學家不得不用眼睛來篩選無數的圖像，一次當然只能對一張照片進行查找，但現在他們可以依靠技術來改變這一切。

宇宙中的大質量天體，如星系團，加上隱藏在視野外的暗物質群，扭曲了我們從遙遠星系和類星體看到的光，以及它們周圍的光線。遙遠的星系看起來像放大的弧線，如同通過「宇宙放大鏡」的邊緣看到的那樣。科學家們至今已經發現了數百個這樣的引力透鏡，驗證了1930年代阿爾伯特-愛因斯坦在廣義相對論中的預測。

根據Brian Nord在1月4日於德克薩斯州格雷普韋恩舉行的美國天文學會會議提出的研究成果，通過新開發的深度學習工具，天文學家應該能通過暗能量巡天望遠鏡找到至少2000個引力透鏡。一個大的引力透鏡目錄將幫助天文學家了解更多關於暗物質的本質，以及它是如何將星繫結合在一起的。

天文學家Brian Nord認為，發現引力透鏡彷彿大海撈針一般，而且還沒有兩根針是一樣的，深度學習技術是我們對複雜系統進行建模的一種方式。

為了對引力透鏡進行複雜的分類，天文學家很早就使用了統計學機制來學習技術，例如神經網路，這是一種可編程的系統，通過分層節點連接到計算機網路上，就像人腦中的神經元。深度學習技術僅是在計算中涉及更多的相互關聯的層或步驟，包括從輸入到輸出中，隨演算法進行而隱藏的複雜項。舉個例子，面部識別軟體要在圖像中確定一個人的臉，系統首先檢測臉部的邊緣、線條和曲線。然後是更高級別的功能，例如識別眼睛或嘴，最終是臉。對於引力透鏡的自動檢測，該程序會逐漸識別到一個大星系周圍的包圍弧，意味著被放大的背景天體。

經過大量的「透鏡」圖像訓練後，這樣的演算法可以在之前從來沒有遇到過的的圖像中找到新的「透鏡」。當前的演算法大部分可以正確識別這些引力透鏡，但還是有百分之幾的概率機器會混淆出錯。位於澳大利亞墨爾本的斯文本科技大學研究人員Colin Jacobs認為，即使它有著百分之九十七的準確率，一樣會產生非常多的誤報，目前他也在研究這一問題，理想情況下，它應該比你需要的面部識別更準確。

為了應對這一挑戰，Nord和Jacobs還有他們的同事打算設計出嚴格的演算法，確保它能找到最清晰的引力透鏡，但這也可能會錯失許多引力透鏡。或者，他們試圖使用更寬鬆的搜索標準，而這將意味著他們將獲得不少看起來有點像引力透鏡，但實際上不是的圖像。

在過去的幾年裡，天文學家也開始在其它領域應用深度學習，主要是通過其他方式來解讀圖像。他們使用這些技術來區分銀河系中的遙遠星系和恆星，估計遠處天體的距離，並對星系的結構進行分類，這些星系以各種螺旋形和橢圓形的結構呈現。

也有些研究人員利用公民科學項目，招募世界各地的民間人士幫助整理這些天體圖像。例如一個名為星系動物園（Galaxy Zoo）的項目，已對數十萬個星系進行了結構分類。還有一個項目叫做空間扭曲，他們已發現了數十個被他人忽視的引力透鏡候選圖像。

文章來源： 美國物理聯合會（AIP/American Institute of Physics）--InsideScience專欄 張錚錚供稿

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！