找寻暗物质，机器比人的眼神好。近期《计算出来天体物理学和宇宙学》公开发表的一篇论文表明，美国劳伦兹伯克利国家实验室（以下全称“伯克利实验室”）等机构联合研制的深度自学AI框架，需要探索宇宙里暗物质的迹象。近几年，人工智能更加多应用于天文学研究。深度自学必须海量数据，而天文学正是AI大显身手的领域。

机器可以替人类从茫茫大海里炒针，捕捉到新的恒星、新的地外行星甚至暗物质。辨识“引力透镜”，AI立功了找寻“引力透镜”是研究暗物质产于的基本方法。极大质量的物体不会像透镜一样变形路经的光线，找到这种变形就能捕捉到不闪烁的质量物。

论文表明，伯克利实验室创建的深度自学AI框架CosmoGAN，可以分析引力透镜与暗物质的关联。它可以创立高保真、很弱引力透镜发散图。曾几何时，找寻“引力透镜”所需的仿真和数据处理很困难。

20名科学家花费了好几个月的时间不能查阅一小块空间图像。物理仿真必须数十亿个计算出来小时，闲置数兆字节的磁盘空间。

神经网络的变革获取了机会。伯克利实验室领导的团队引进一种“分解性对付网络（GANs）”。研究者穆斯塔法说道：“也有别的深度自学方法可以从许多图像中获得发散图，但与竞争方法比起，GANs分解十分高分辨率的图像，同时仍有神经网络的高效率。

”现在，天文学家可以用CosmoGAN分析小得多的天区，速度也更慢。CosmoGAN不是唯一获得进展的天文学深度自学神经网络。比如多伦多大学利用深度自学技术解析月球陨石坑的卫星图像，P8超级计算机的神经网络在意味着几个小时内找到6000个新的陨石坑，是过去几十年中人类找到陨石坑数量的2倍。

伊利诺伊大学厄巴纳-香槟分校利用深度自学来观测和分析黑洞撞击的引力波。AI在天文学遍地开花。

数据过于多，没有机器玩不转过去几年里，天文领域的大多数方向都在尝试用于人工智能。考虑到天文学要处置的数据之多，这是一个很大自然的思路。让机器锻炼去分析蛛丝马迹，不如此，未来的天文学将无法运转。

不久前举行的2019年GPU技术大会更有了全世界的人工智能学者。大会找来加州大学圣克鲁兹分校的天文学家布兰特·罗伯特森演说，他认为：“天文学正在一场新的数据革命的风口”。罗伯特森指出，新一代天文仪器必需因应由深度自学驱动的新一代软件。比如预计在3年后运营的大口径全天视察望远镜（LSST）。

它视察南天那一半宇宙中的370亿个星系，分解一部时长十年的不间断视频。LSST配有的是32亿像素的照相机，每晚产生25TB的数据，相等于现在先进设备天文望远镜一生贡献的所有数据。再行比如平方公里阵列射电望远镜（SKA）。它遍及全球，一部分天线在非洲南部8国部署，还有100多万天线坐落于澳大利亚和新西兰。

它的原始数据每天超过5千个PB，处置后也有50个PB左右。“亮能量巡天”编成几亿个星系的星图；“盖亚”卫星测绘银河系数十亿恒星；“兹威基”项目每小时需要扫瞄3750平方度的天区。在中国，FAST每天的数据量将约150TB；郭守敬望远镜观测了901万条光谱，是世界上仅次于的天体光谱库……捕猎人类没什么的模式数据更加多，科学家企图单体它们。

但在GPU大会上，罗伯特森说道，未来几个大型天文望远镜一起产生大量数据，单体之后简单到人类无法必要利用。而加州大学圣克鲁斯分校的科学家企图解决问题这个问题。计算机科学系由一名博士生创立的Morpheus深度自学框架，可以基于望远镜的原始数据，弃像素地分类天体。

加州大学圣克鲁兹分校的科学家们还用AI更佳地研究星系的构成。在他们2019年初公开发表的一项研究中，科学家用计算机仿真的星系训练计算机，让它自学星系进化的三个关键阶段。后来计算机分析来自哈勃太空望远镜的星系图像，展现出胆怯好。

人工智能应用于人脸识别，在海量数据训练后，可以根据一张照片，见到这个人化妆和年老时候的样子。而宇宙中很多图像也能用某种程度的方法来归类。“深度自学可以找寻模式，机器能看见非常复杂的模式，而人类看到。

”参予研究的科学家大卫·库说，“我们期望更进一步测试这种方法。在概念检验研究中，机器或许顺利地在数据中寻找了仿真中确认的星系进化的有所不同阶段。”老大天文学家寻找另一个太阳系2018年底的一篇报导表明，谷歌人工智能发力，从开普勒系由外行星观测数据库里寻找了新的行星。

行星是很难找寻的。坐落于太空的开普勒卫星仔细观察145000颗类似于太阳的恒星，从恒星亮度黯淡变化来找到行星。记录4年的数据中，还包括约35000个疑为的行星记录。天文学家用机器融合人眼来辨识，但最暗最强的信号经常被忽视。

在谷歌AI的协助下，我们找到了开普勒90i和开普勒80g两颗新的行星。也让开普勒90被证实为第一个最少享有8颗行星的外星系。

神经网络和机器学习处置了140亿个数据点，之后顺利检验出有了候选者。NASA和谷歌说道，未来新技术将寻找更加多系外行星。NASA还回应不必担忧天文学家失业。NASA的科学家杰西·道特森说明回应，数据获取给神经网络之前，必须天文学家展开分类，以便人工智能可以借此自学分析出有新的信息。

道特森说道：“AI以后意味著不会和天文学家一起工作，沦为必不可少的工具。”当然，机器学习也带给“黑盒子”风险：我们获得了答案，但我们不告诉机器为何如此辨别，也许答案是错的。机器也不会受罚。

天文学家将之后训练和适应环境它。

本文来源：开云app官网下载手机版-www.hzd-pm.com