【儀表網 儀表下游】近年來，隨著技術日益進步，天文學研究中產生了海量數據。天文學家要想從郭守敬望遠鏡、“中國天眼”FAST、LSST大型綜合巡天望遠鏡等遍布世界的大型望遠鏡捕獲的海量數據中找出有價值的信息以資研究，無異于大海撈針。如何高效地處理這些數據，已成為現代天文學面臨的一項重要挑戰。由于人工智能在海量數據分析和處理方面所具有的突出優勢，它也很自然地走入了天文學家的視野。
日前，中國科學院云南天文臺麗江天文觀測站龍潛研究員與云南大學中國西南天文研究所宇宙學研究組爾欣中教授團隊合作，利用人工智能深度學習的方法，發現了38個新的強引力透鏡候選體，為研究天體物理學問題提供了新的可靠的“宇宙探針”候選體。
什么是人工智能的深度學習？
深度學習是一種機器學習的方法，它試圖使用包含復雜結構或由多重非線性變換構成的多個處理層(神經網絡)對數據進行高層抽象的算法。深度學習可以理解為神經網絡的發展，神經網絡是對人腦或生物神經網絡基本特征進行抽象和建模，可以從外界環境中學習，并以與生物類似的交互方式適應環境。
例如，正在接受計算機視覺訓練的深度學習系統可能會首先學會識別出現在圖像中的物體邊緣。這些信息被傳送到下一層，可能會學習識別角落或其他特征。它一遍又一遍地經歷同樣的過程，直到系統終開發識別物體甚至識別人臉的能力。
區別于傳統的淺層學習，深度學習的不同在于：
(1)強調了模型結構的深度，通常有5層、6層，甚至10多層的隱層節點；
(2)明確了特征學習的重要性。也就是說，通過逐層特征變換，將樣本在原空間的特征表示變換到一個新特征空間，從而使分類或預測更容易。與人工規則構造特征的方法相比，利用大數據來學習特征，更能夠刻畫數據豐富的內在信息。
通過設計建立適量的神經元計算節點和多層運算層次結構，選擇合適的輸人層和輸出層，通過網絡的學習和調優，建立起從輸入到輸出的函數關系，雖然不能100%找到輸入與輸出的函數關系，但是可以盡可能的逼近現實的關聯關系。使用訓練成功的網絡模型，就可以實現我們對復雜事務處理的自動化要求。
“在這項工作中，我們用計算機分別模擬了強引力透鏡圖像和非強引力透鏡圖像，從而來訓練計算機。我們發現，在準備訓練計算機的圖像時，非強引力透鏡圖像比強引力透鏡更加重要。”爾欣中說，開始的分析中，他們使用簡單的規則星系圖像作為非強引力透鏡訓練樣本，發現結果正確率非常低。只有把各種可能的非引力透鏡圖像都考慮進來之后，才能得到比較好的結果。
目前，隨著技術與裝備水平快速發展，人工智能在天文學上的應用還會越來越多。“我們計劃對一些變源的多波段光變曲線來進行機器的快速分類，這樣在實施大樣本巡天的時候，電腦可以自動對所發現的變源進行篩選，并對我們感興趣的天體做出提示，以便進一步開展后續研究工作。”爾欣中說，正因為人工智能的幫助，天文研究者得以從耗時單調的數據篩查分析中解脫出來，當人力“大海撈針”難以招架之日，正是人工智能大顯身手之時。
資料來源：科技日報、獵維教育、百科
所有評論僅代表網友意見，與本站立場無關。