热点:帮天文学家“大海捞针” 人工智能有了新办法

本篇文章1793字，读完约4分钟

原标题:有新的方法来帮助天文学家“从海里寻找针”的人工智能。

近年来，随着技术的进步，天文学研究中产生了大量的数据。 天文学家从郭守敬望远镜、“中国天眼”fast、lsst大型综合电子侦察望远镜等世界各地大型望远镜捕获的大量数据中发现和研究有价值的消息，无异于在海里找针。

如何有效地解决这些数据成为现代天文学面临的重要课题。 由于人工智能在观察和解决大量数据方面的突出优点，自然也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龙潜研究员与云南大学中国西南天文研究所宇宙学研究组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个新的强引力镜头候选，为研究天体物理学问题提供了新的信任 英国皇家天文学会月刊发表了这项研究成果。

用天文观测生成大量数据，用机器学习对天体进行分类已经很普遍了。

随着下一代大规模测光巡逻项目的开展，有望发现数万个强引力透镜系统。 但是，如何在大量天体图像中快速找到强引力镜头候选？ 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年发射的用于探测世界上第一颗太阳系外行星的飞机开普勒宇宙望远镜为例，仅在前三年半的任务期间，就监视了15万多个恒星系统，生成了大量的数据。 这些数据一般是经由计算机解决的，但当计算机识别一定的信号时，必须依赖人类的分解来评价是否是行星轨道。 这项巨大的筛选事业仅靠美国宇航局的科学家和科学集团是无法比较有效地完成的。

“这么大的数据量，经常达不到需要人工分解的速度。 人工智能的特点，我们可以大幅度提高对数据的分解速度。 ”。 龙潜向科技日报记者介绍说，人工智能显示的效率和正确性远远高于以前传达的做法。

龙潜研究员长期从事人工智能深度学习的研究。 最近，他与埃尔欣中教授团队合作，构建并训练了卷积神经网络，以寻找强大的重力镜头系统。 他们把这种网络应用于欧洲南方天文台的2.6米太空望远镜( vst )的千平方米宇宙数据，找到了38个新的重力镜头候选。 这次构建的神经网络也适用于其他大型望远镜的巡天数据。

“在这个事业中，我们分别用电脑模拟强重力镜头图像和非强重力镜头图像，训练电脑。 研究发现，在训练计算机准备图像时，非强重力镜头图像比强重力镜头更重要。 ”。 埃尔欣说，在第一次分解中，他们采用简单的规则银河图像作为非强引力镜头训练样本，发现结果的正确率非常低。 只有考虑各种可能的非重力镜头图像时，才能得到比较好的结果。

“当你教电脑什么是狗时，就像告诉你猫、羊、牛等不是狗一样。 如果只告诉你猫不是狗，电脑就会把羊和牛识别为狗的概率非常高。 ”。 龙潜说，现在天文学中各种天体的分类利用机器学习非常普遍，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测银河的距离。

新的神经网络可以识别每秒数万张照片，便于实时评级、培训和测试。

人看到强重力镜头系统的图像是最快每秒看到一张图像。 电脑可以识别每秒千万张图像。

龙潜研究员和尔欣中教授团队训练的这种卷积神经网络，完全可以利用gpu进行并行加速，配备越来越多或更强的gpu，系统可以根据实际需要大幅提高搜索速度和效率

“这个神经网络的训练首先采用了模拟数据，只采用了很少的人工标记数据。 由于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，根据数据的优势调节训练参数和训练算法，根据神经网络龙潜先生，研究人员还使用了新型科学计算语言julia 由于julia语言兼具速度和灵活性，神经网络在cpu和gpu中都具有良好的性能，同时可以任意切换。 这非常适合研究者的实时评级、训练和测试

“通过对重力镜头数据的研究，实验说明了定制比较小型的互联网，有效抑制过拟合现象，具有与大型互联网类似的精度。 与大型互联网相比，小型互联网可以在普通的计算机终端上进行训练和测试，无需依靠大型gpu集群，便于天文商采用互联网进行改善。 》龙潜说。

现在，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会更多。 “我们打算对有点变异源的多频带光变曲线进行机器的迅速分类。 由此，在实施大样本巡逻时，计算机可以自动筛选发现的变异源，提示感兴趣的天体，进一步开展后续的研究。 尔欣中说，在人工智能的帮助下，天文研究者只是摆脱了耗时单调的数据筛选分解，人力“从海里寻找针”困难的日子是人工智能活跃的时候了。

标题：热点:帮天文学家“大海捞针” 人工智能有了新办法    地址：http://www.leixj.com/gy/2021/0312/40000.html