尋找暗物質(zhì)，機器比人的眼神好。近期《計算天體物理學(xué)和宇宙學(xué)》發(fā)表的一篇論文顯示，美國勞倫茲伯克利國家實驗室（以下簡稱“伯克利實驗室”）等機構(gòu)共同研制的深度學(xué)習(xí)AI框架，能夠探尋宇宙里暗物質(zhì)的跡象。

近幾年，人工智能越來越多應(yīng)用于天文學(xué)研究。深度學(xué)習(xí)需要海量數(shù)據(jù)，而天文學(xué)正是AI大顯身手的領(lǐng)域。機器可以替人類從茫茫大海里撈針，捕捉到新的恒星、新的地外行星甚至暗物質(zhì)。

辨認(rèn)“引力透鏡”，AI立功了

尋找“引力透鏡”是研究暗物質(zhì)分布的基本方法。巨大質(zhì)量的物體會像透鏡一樣扭曲路過的光線，找出這種扭曲就能捕捉到不發(fā)光的質(zhì)量物。

論文顯示，伯克利實驗室建立的深度學(xué)習(xí)AI框架CosmoGAN，可以分析引力透鏡與暗物質(zhì)的關(guān)聯(lián)。它可以創(chuàng)建高保真、弱引力透鏡收斂圖。

曾幾何時，尋找“引力透鏡”所需的模擬和數(shù)據(jù)處理很麻煩。20名科學(xué)家花費了好幾個月的時間只能查看一小塊空間圖像。物理模擬需要數(shù)十億個計算小時，占用數(shù)兆字節(jié)的磁盤空間。

神經(jīng)網(wǎng)絡(luò)的進步提供了機會。伯克利實驗室領(lǐng)導(dǎo)的團隊引入一種“生成性對抗網(wǎng)絡(luò)（GANs）”。研究者穆斯塔法說：“也有別的深度學(xué)習(xí)方法可以從許多圖像中得到收斂圖，但與競爭方法相比，GANs生成非常高分辨率的圖像，同時仍有神經(jīng)網(wǎng)絡(luò)的高效率。”

現(xiàn)在，天文學(xué)家可以用CosmoGAN分析大得多的天區(qū)，速度也更快。

CosmoGAN不是唯一取得進展的天文學(xué)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)。比如多倫多大學(xué)利用深度學(xué)習(xí)技術(shù)解析月球隕石坑的衛(wèi)星圖像，P8超級計算機的神經(jīng)網(wǎng)絡(luò)在僅僅幾個小時內(nèi)發(fā)現(xiàn)6000個新的隕石坑，是過去幾十年中人類發(fā)現(xiàn)隕石坑數(shù)量的2倍。伊利諾伊大學(xué)厄巴納-香檳分校利用深度學(xué)習(xí)來探測和分析黑洞碰撞的引力波。AI在天文學(xué)遍地開花。

數(shù)據(jù)太多，沒機器玩不轉(zhuǎn)

過去幾年里，天文領(lǐng)域的大多數(shù)方向都在嘗試使用人工智能?？紤]到天文學(xué)要處理的數(shù)據(jù)之多，這是一個很自然的思路。讓機器練習(xí)去分析蛛絲馬跡，不如此，未來的天文學(xué)將無法運轉(zhuǎn)。

不久前舉辦的2019年GPU技術(shù)大會吸引了全世界的人工智能學(xué)者。大會請來加州大學(xué)圣克魯茲分校的天文學(xué)家布蘭特·羅伯特森演講，他指出：“天文學(xué)正在一場新的數(shù)據(jù)革命的風(fēng)口”。羅伯特森認(rèn)為，新一代天文儀器必須配合由深度學(xué)習(xí)驅(qū)動的新一代軟件。

比如預(yù)計在3年后運行的大口徑全天巡視望遠(yuǎn)鏡（LSST）。它巡視南天那一半宇宙中的370億個星系，生成一部時長十年的不間斷視頻。LSST配備的是32億像素的相機，每晚產(chǎn)生25TB的數(shù)據(jù)，相當(dāng)于現(xiàn)在先進天文望遠(yuǎn)鏡一生貢獻的所有數(shù)據(jù)。

再比如平方公里陣列射電望遠(yuǎn)鏡（SKA）。它遍布全球，一部分天線在非洲南部8國部署，還有100多萬天線位于澳大利亞和新西蘭。它的原始數(shù)據(jù)每天達(dá)到5千個PB，處理后也有50個PB左右。

“暗能量巡天”編制幾億個星系的星圖；“蓋亞”衛(wèi)星測繪銀河系數(shù)十億恒星；“茲威基”項目每小時能夠掃描3750平方度的天區(qū)。在中國，F(xiàn)AST每天的數(shù)據(jù)量將達(dá)150TB；郭守敬望遠(yuǎn)鏡觀測了901萬條光譜，是世界上最大的天體光譜庫……

捕捉人類看不出的模式

數(shù)據(jù)越來越多，科學(xué)家試圖聚合它們。但在GPU大會上，羅伯特森說，未來幾個大型天文望遠(yuǎn)鏡一起產(chǎn)生大量數(shù)據(jù)，聚合之后復(fù)雜到人類無法直接利用。而加州大學(xué)圣克魯斯分校的科學(xué)家試圖解決這個問題。計算機科學(xué)系一名博士生創(chuàng)建的Morpheus深度學(xué)習(xí)框架，可以基于望遠(yuǎn)鏡的原始數(shù)據(jù)，逐像素地分類天體。

加州大學(xué)圣克魯茲分校的科學(xué)家們還用AI更好地研究星系的形成。在他們2019年初發(fā)表的一項研究中，科學(xué)家用計算機模擬的星系訓(xùn)練計算機，讓它學(xué)習(xí)星系演化的三個關(guān)鍵階段。后來計算機分析來自哈勃太空望遠(yuǎn)鏡的星系圖像，表現(xiàn)出奇好。

人工智能應(yīng)用于人臉識別，在海量數(shù)據(jù)訓(xùn)練后，可以根據(jù)一張照片，認(rèn)出這個人化妝和年老時候的樣子。而宇宙中很多圖像也可用同樣的方法來歸類。

“深度學(xué)習(xí)可以尋找模式，機器能看到非常復(fù)雜的模式，而人類看不到。”參與研究的科學(xué)家大衛(wèi)·庫說，“我們希望進一步測試這種方法。在概念驗證研究中，機器似乎成功地在數(shù)據(jù)中找到了模擬中確定的星系演化的不同階段。”

幫天文學(xué)家找到另一個太陽系

2018年底的一篇報道顯示，谷歌人工智能發(fā)力，從開普勒系外行星觀測數(shù)據(jù)庫里找到了新的行星。行星是很難尋找的。位于太空的開普勒衛(wèi)星觀察145000顆類似太陽的恒星，從恒星亮度微弱變化來發(fā)現(xiàn)行星。記錄4年的數(shù)據(jù)中，包括大約35000個疑似的行星記錄。天文學(xué)家用機器結(jié)合人眼來識別，但最暗最弱的信號常被忽略。

在谷歌AI的幫助下，我們發(fā)現(xiàn)了開普勒90i和開普勒80g兩顆新行星。也讓開普勒90被確認(rèn)為第一個至少擁有8顆行星的外星系。

神經(jīng)網(wǎng)絡(luò)和機器學(xué)習(xí)處理了140億個數(shù)據(jù)點，之后成功篩選出了候選者。

NASA和谷歌說，未來新技術(shù)將找到更多系外行星。NASA還表示不用擔(dān)心天文學(xué)家失業(yè)。NASA的科學(xué)家杰西·道特森解釋表示，數(shù)據(jù)提供給神經(jīng)網(wǎng)絡(luò)之前，需要天文學(xué)家進行分類，以便人工智能可以從中學(xué)習(xí)分析出新的信息。

道特森說：“AI以后絕對會和天文學(xué)家一起工作，成為必不可少的工具。”

當(dāng)然，機器學(xué)習(xí)也帶來“黑盒子”風(fēng)險：我們得到了答案，但我們不知道機器為何如此判斷，或許答案是錯的。機器也會犯錯。天文學(xué)家將繼續(xù)訓(xùn)練和適應(yīng)它。

延伸閱讀

專家點評

深度學(xué)習(xí)還不具備“物理直覺”

確實，現(xiàn)在人工智能已經(jīng)深入到了天文天體物理學(xué)的各個分支領(lǐng)域。目前，美國勞倫茲伯克利國家實驗室利用深度學(xué)習(xí)，能夠快速根據(jù)宇宙三維密度分布，判斷暗物質(zhì)、暗能量等宇宙學(xué)基本常數(shù)，他們發(fā)現(xiàn)應(yīng)用人工智能之后，統(tǒng)計量誤差比先前應(yīng)用傳統(tǒng)統(tǒng)計學(xué)辦法小不少。此外，我們也利用深度學(xué)習(xí)在極低信噪比的光譜中尋找宇宙早期的氫、碳元素，發(fā)現(xiàn)比傳統(tǒng)方法也要好用。

同時，天文學(xué)家們也在應(yīng)用深度學(xué)習(xí)，幫助我們判斷天體的三維位置、遠(yuǎn)近，進而勾勒出三維空間的大尺度結(jié)構(gòu)。人們發(fā)現(xiàn)深度學(xué)習(xí)在對數(shù)據(jù)信息的挖掘方面，可能強于我們之前所用的傳統(tǒng)方法。人工智能也被谷歌公司應(yīng)用到探測系外行星的領(lǐng)域，并成功探測到了幾個系外行星……可以說，人工智能如今在天體物理的前沿領(lǐng)域被廣泛應(yīng)用。

但從物理學(xué)家的角度看，基于深度學(xué)習(xí)的人工智能也許也有其局限性。這種局限性在于它只能基于數(shù)據(jù)、在已經(jīng)被定義得非常明確的特定領(lǐng)域內(nèi)發(fā)揮作用。只能在物理學(xué)家的指導(dǎo)下，把統(tǒng)計量的誤差棒做得更小，估計某個量更精準(zhǔn)，而目前尚無法指導(dǎo)我們發(fā)現(xiàn)數(shù)據(jù)背后的新物理規(guī)律。也不具備人類才有的，基于美、對稱和簡潔的“物理直覺”。

舉一個最簡單的例子，比如說開普勒基于第谷的觀測數(shù)據(jù)，可以發(fā)現(xiàn)開普勒第三定律，而目前再好的機器學(xué)習(xí)、人工智能算法可能也很難基于相同數(shù)據(jù)，重復(fù)這個發(fā)現(xiàn)。

所以說我認(rèn)為深度學(xué)習(xí)在天文中應(yīng)用的本質(zhì)，目前還局限在做更好的統(tǒng)計和擬合這個方面。（記者 高 博）