人工智能帮助我们了解宇宙的四种方式

天文学就是关于数据的。宇宙变得越来越大，我们拥有的关于它的信息量也越来越大。但是下一代天文学的一些最大挑战在于我们将如何研究我们收集的所有数据。

为了应对这些挑战，天文学家正在转向机器学习和人工智能 (AI) 来构建新工具，以快速寻找下一个重大突破。以下是人工智能帮助天文学家的四种方式。

1.星球狩猎

有几种方法可以找到行星，但最成功的方法是研究凌日。当一颗系外行星从它的母星前面经过时，它会阻挡我们能看到的一些光。

通过观察系外行星的许多轨道，天文学家构建了光线倾斜的图片，他们可以用它来识别行星的特性——例如它的质量、大小和与恒星的距离。宇航局的开普勒太空望远镜利用这项技术取得了巨大成功，它同时观察了数千颗恒星，密切关注由行星引起的迹象倾角。

人类很擅长观察这些低谷，但这是一项需要时间来培养的技能。随着越来越多的任务致力于寻找新的系外行星，例如宇航局的(凌日系外行星调查卫星)，人类就是跟不上。这就是人工智能的用武之地。

时间序列分析技术(将数据按时间顺序分析)与一种人工智能相结合，以高达96% 的准确率成功识别系外行星的信号。

2. 引力波

时间序列模型不仅非常适合寻找系外行星，而且还非常适合寻找宇宙中最具灾难性事件的信号——黑洞和中子星之间的合并。

当这些极其致密的天体向内落下时，它们会在时空中发出涟漪，可以通过测量地球上的微弱信号来检测。引力波探测器合作公司Ligo和Virgo已经在机器学习的帮助下识别了数十个此类事件的信号。

通过在黑洞合并的模拟数据上训练模型，Ligo 和 Virgo 的团队可以在它们发生的瞬间识别出潜在的事件，并向世界各地的天文学家发出警报，让他们的望远镜转向正确的方向。

3. 多变的天空

当目前在智利建造的维拉鲁宾天文台上线时，它将每晚巡视整个夜空——一次性收集超过 80 TB 的图像——以了解宇宙中的恒星和星系如何随时间变化。1 TB 是 8,000,000,000,000 位。

在计划的运营过程中，鲁宾正在进行的时空遗产调查将收集和处理数百 PB 的数据。在上下文中，100 PB 大约是在 Facebook 上存储每张照片所需的空间，或者大约 700 年的全高清视频。

您将无法仅登录服务器并下载该数据，即使您这样做了，您也无法找到您要查找的内容。

机器学习技术将用于搜索这些下一代调查并突出重要数据。例如，一种算法可能在图像中搜索稀有事件，例如超新星——恒星生命结束时的剧烈爆炸——而另一种算法可能正在寻找类星体。通过训练计算机识别特定天文现象的信号，该团队将能够将正确的数据提供给正确的人。

4. 引力透镜

随着我们收集越来越多的宇宙数据，我们有时甚至不得不整理和丢弃无用的数据。那么我们如何才能在这些数据中找到最稀有的物体呢?

一种令许多天文学家兴奋的天体现象是强引力透镜。这就是当两个星系沿着我们的视线排列并且最近星系的引力充当透镜并放大更远的物体时会发生的情况，从而产生环、十字和重影。

找到这些镜头就像大海捞针——一个可观测宇宙大小的大海捞针。随着我们收集越来越多的星系图像，这项搜索只会变得更加困难。

2018 年，来自世界各地的天文学家参加了强引力透镜寻找挑战赛，他们在比赛中竞争，看谁能制定出自动寻找这些透镜的最佳算法。

这项挑战的获胜者使用了一种称为卷积神经网络的模型，该模型学习使用不同的过滤器分解图像，直到可以将它们分类为是否包含镜头。令人惊讶的是，这些模型甚至比人类还要好，在我们人类难以注意到的图像中发现细微的差异。

在接下来的十年里，使用维拉鲁宾天文台等新仪器，天文学家将收集数 PB 的数据，即数千 TB。随着我们深入宇宙，天文学家的研究将越来越依赖机器学习技术。

标签： 人工智能