【仪表网 仪表下游】近年来，随着技术日益进步，天文学研究中产生了海量数据。天文学家要想从郭守敬望远镜、“中国天眼”FAST、LSST大型综合巡天望远镜等遍布世界的大型望远镜捕获的海量数据中找出有价值的信息以资研究，无异于大海捞针。如何高效地处理这些数据，已成为现代天文学面临的一项重要挑战。由于人工智能在海量数据分析和处理方面所具有的突出优势，它也很自然地走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站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方法，发现了38个新的强引力透镜候选体，为研究天体物理学问题提供了新的可靠的“宇宙探针”候选体。
什么是人工智能的深度学习？
深度学习是一种机器学习的方法，它试图使用包含复杂结构或由多重非线性变换构成的多个处理层(神经网络)对数据进行高层抽象的算法。深度学习可以理解为神经网络的发展，神经网络是对人脑或生物神经网络基本特征进行抽象和建模，可以从外界环境中学习，并以与生物类似的交互方式适应环境。
例如，正在接受计算机视觉训练的深度学习系统可能会首先学会识别出现在图像中的物体边缘。这些信息被传送到下一层，可能会学习识别角落或其他特征。它一遍又一遍地经历同样的过程，直到系统终开发识别物体甚至识别人脸的能力。
区别于传统的浅层学习，深度学习的不同在于：
(1)强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点；
(2)明确了特征学习的重要性。也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据丰富的内在信息。
通过设计建立适量的神经元计算节点和多层运算层次结构，选择合适的输人层和输出层，通过网络的学习和调优，建立起从输入到输出的函数关系，虽然不能100%找到输入与输出的函数关系，但是可以尽可能的逼近现实的关联关系。使用训练成功的网络模型，就可以实现我们对复杂事务处理的自动化要求。
“在这项工作中，我们用计算机分别模拟了强引力透镜图像和非强引力透镜图像，从而来训练计算机。我们发现，在准备训练计算机的图像时，非强引力透镜图像比强引力透镜更加重要。”尔欣中说，开始的分析中，他们使用简单的规则星系图像作为非强引力透镜训练样本，发现结果正确率非常低。只有把各种可能的非引力透镜图像都考虑进来之后，才能得到比较好的结果。
目前，随着技术与装备水平快速发展，人工智能在天文学上的应用还会越来越多。“我们计划对一些变源的多波段光变曲线来进行机器的快速分类，这样在实施大样本巡天的时候，电脑可以自动对所发现的变源进行筛选，并对我们感兴趣的天体做出提示，以便进一步开展后续研究工作。”尔欣中说，正因为人工智能的帮助，天文研究者得以从耗时单调的数据筛查分析中解脱出来，当人力“大海捞针”难以招架之日，正是人工智能大显身手之时。
资料来源：科技日报、猎维教育、百科
所有评论仅代表网友意见，与本站立场无关。