用人工智能规范天文学中数据原理

被广泛应用于人脸识别以及其他图像和语音识别的深度学习方法方法在帮助天文学家分析星系图像及了解它们如何形成和演变方面展示了潜力。一支由多国科学家组成的科研团队使用计算机模拟星系的形成来训练深度学习算法，该算法随后被证实在分析来自哈勃空间望远镜的星系图像方面表现异常出色。科研人员利用来自人工智能的输出结果生成被模拟星系的模拟图像，并将其用于训练深度学习系统，使其能够识别之前在模拟中确定的星系演变的三个关键阶段。科研人员随后为该系统提供大量真实的哈勃图像用于分类。结果表明，神经网络对模拟星系和真实星系的分类具有高度一致性。

在这项新研究中，科研人员使用了最先进的星系模拟（VELA模拟）。科研人员对富含气体的星系的早期演变模拟中发现的以下现象尤其感兴趣：当大量气体流入星系的中心时，星系的中心会形成一个小而密集的恒星形成区域，称为“蓝核”。年轻、炽热的恒星会发出“蓝色”短波长光，因此蓝色表示具有活跃恒星形成的星系，而较为衰老、温度较低的恒星则会发出更多的“红色”光。
计算机程序在模拟数据和观测数据中都有以下发现：“蓝核”阶段只在质量属于特定范围的星系中发生。中心区域的行星形成随后会平息，带来紧凑的“红核”阶段。质量范围的一致性是令人兴奋的发现，因为它表明深度学习算法正在自行确定真实星系中发生的重要物理过程的模式。

对于观测数据，该团队使用了“宇宙组合近红外深空河外星系遗产巡天”（CANDELS）项目的星系图像。VELA模拟在帮助天文学家理解CANDELS的观测结果方面取得了很多成功。研究人员表示，在未来，由于大型巡天项目和新望远镜的存在，天文学家将拥有更多可供分析的观测数据。深度学习和其他机器学习方法可成为理解这些海量数据集的强大工具。

据物理学家组织网近日报道，日本天文学家开发出一种新的人工智能（AI）技术，其可以消除天文数据中由于星系形状随机变化而产生的“噪声”，获得的结果与目前公认的宇宙模型一致。研究人员称，这一强大新工具可用于分析当前和计划中的天文学调查获得的大数据。

研究人员解释称，科学家可借助引力透镜技术研究宇宙的大尺度结构，但在引力透镜中，前景物体（如星系团）会扭曲背景物体（如遥远星系）的图像，而有些星系天生看起来就很古怪，鉴于此，这种观察许多星系图像的引力透镜技术就遇到了一个问题：很难区分其图像中出现的扭曲是由引力透镜造成还是星系本身固有的——这被称为形状噪声，是研究宇宙大尺度结构的限制因素之一。为了消除形状噪声，日本一组天文学家首先使用世界上最强大的天文超级计算机Atreui Ⅱ，根据斯巴鲁望远镜的真实数据生成了25000个模拟星系目录。然后，他们在这些完全已知的人工数据集中加入真实的噪声，并训练人工智能从模拟数据中恢复前景物质。

综上所述，经过训练，人工智能工具能恢复以前无法观察到的精细细节，然后，研究小组利用这个工具对覆盖21平方度天空的真实数据进行处理，发现前景物质质量的分布与标准宇宙学模型一致。 “这项研究显示了将观察、模拟和人工智能数据分析等不同类型的研究结合起来的好处。在这个大数据时代，我们需要跨越专业之间的传统界限，并使用所有可用的工具来理解数据。如果我们能做到这一点，将为天文学和其他科学领域的研究打开一扇新的窗口。”