帮天文学家“大海捞针”，人工智能有了新办法

近年来，随着技术的日益进步，天文研究中产生了大量的数据。天文学家希望从世界各地的大型望远镜捕捉到的海量数据中找到有价值的信息，如郭守敬望远镜、“五百米口径球面射电望远镜(FAST)”FAST、LSST等，进行研究，这无异于大海捞针。

如何高效地处理这些数据已经成为现代天文学面临的一个重要挑战。由于在分析处理海量数据方面的突出优势，人工智能自然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台龙谦研究员与云南大学西南天文研究所宇宙学研究组尔新中教授合作，利用人工智能深度学习的方法，发现了38个新的强引力透镜候选者，为研究天体物理问题提供了新的可靠的“宇宙探针”候选者。英国皇家天文学会月刊发表了这项研究成果。

天文观测产生海量数据，通过机器学习对天体进行分类是非常常见的。

随着下一代大规模测光巡天项目的开展，人们期望发现数万个强引力透镜系统。但是如何在海量天体图像中快速找到强引力透镜的候选者呢？近年来，人工智能的快速发展为人类提供了一种新的可能。

以2009年发射L 空的开普勒望远镜为例。在执行任务的前三年半时间里，它监测了超过15万个恒星系统，同时产生了海量数据。这些数据通常由计算机处理，但当计算机识别出某个信号时，就必须依靠人类的分析来确定它是否是由行星轨道产生的。这项庞大的筛选工作，仅靠美国国家航空航天局(NASA)的科学家或科学团队是无法有效完成的。

“这么大的数据量，人工分析很多时候达不到要求的速度。借助人工智能的优势，我们可以大大提高数据的分析率。”龙倩告诉记者，人工智能的效率和准确率远高于传统方法。

龙倩研究员长期从事人工智能深度学习工作。最近，他与尔新中教授合作，建立并训练了一个卷积神经网络，以寻找强引力透镜系统。他们将这个网络应用于欧洲南方天文台2.6米巡天望远镜(VST)1000平方米的巡天数据，发现了38个新的强引力透镜候选者。构建的神经网络也可以应用于其他大型望远镜的巡天数据。

“在这项工作中，我们用计算机模拟了强引力透镜图像和非强引力透镜图像，以此来训练计算机。我们在准备训练计算机的图像时发现，非强引力透镜的图像比强引力透镜的图像更重要。”尔新中说，在最初的分析中，他们使用简单的规则星系图像作为非强引力透镜的训练样本，发现结果的正确率很低。只有把所有可能的非引力透镜像都考虑进去，才能得到更好的结果。

“这就像告诉电脑，猫、羊、牛等。在教它什么是狗的时候，它们不是狗。而如果你只告诉它猫不是狗，计算机就有极高的概率把羊和牛识别为狗。”龙谦表示，目前，天文学中使用机器学习对各种天体进行分类是非常普遍的。最简单的就是把恒星和星系分开，或者把不同状态的星系分类，用多种颜色的星系来估算星系的距离。

新的神经网络每秒可以识别数万张照片，便于实时修改、训练和测试。

看人体引力透镜系统图像最快的方法是每秒看一张图。计算机每秒钟可以识别数千张图片。

这个由龙谦和尔新中教授团队训练的卷积神经网络，可以充分利用GPU进行并行加速。通过配备更多或更强的GPU，系统可以根据实际需要大大提高搜索速度和效率。

“这个神经网络的训练主要使用仿真数据，只使用一点点人工标注数据。由于仿真数据可以任意生成，多样性远大于人工标注数据。进一步根据数据的特点调整训练参数和算法，大大提高了神经网络的泛化能力。”龙谦说，此外，研究人员使用Julia这种新的科学计算语言来完全定制网络结构。由于Julia语言兼具速度和灵活性，神经网络在CPU和GPU上都有很好的性能，可以随意切换，非常有利于研究人员实时修改、训练和测试。

“我们还通过研究引力透镜数据定制了有针对性的小网络，有效抑制了过拟合现象。同时，实验证明该网络具有与大型网络相近的准确率。与大型网络相比，小型网络可以在普通计算机终端上进行训练和测试，而不依赖于大型GPU集群，这为天文学家使用和改进网络提供了便利。”龙千辰说道。

目前，随着技术和设备的快速发展，人工智能在天文学中的应用会越来越多。“我们计划对一些变星源的多波段光变曲线进行快速分类，让计算机对发现的变星源进行自动筛选，对我们感兴趣的天体进行提示，从而进一步开展后续研究工作。”尔新中说，由于人工智能的帮助，天文研究人员得以摆脱耗时、单调的数据筛选分析。当人力“大海捞针”难以招架的时候，就是人工智能大显身手的时候。