為了應(yīng)對(duì)宇宙數(shù)據(jù)即將出現(xiàn)的指數(shù)級(jí)增長(zhǎng)趨勢(shì)，天體物理學(xué)家也開(kāi)始將目光投向機(jī)器學(xué)習(xí)。

Kevin Schawinski的問(wèn)題

2007年，他在牛津大學(xué)擔(dān)任天體物理學(xué)家，努力回顧了斯隆數(shù)字巡天計(jì)劃中超過(guò)900,000個(gè)星系七年中有價(jià)值的照片。他花了幾天時(shí)間翻來(lái)覆去觀察這些圖像，并記錄下了一個(gè)星系是螺旋形還是橢圓形的，以及它的旋轉(zhuǎn)方式。

技術(shù)的進(jìn)步加快了科學(xué)家收集信息的能力，但科學(xué)家們處理信息的速度卻沒(méi)有相應(yīng)提升。 Schawinski和同事Chris Lintott花費(fèi)了大量的時(shí)間來(lái)處理這個(gè)任務(wù)(即是上面提到處理星辰圖像的任務(wù))，但并沒(méi)有得到良好的效果，因此，他們決定必須找到更好的方法來(lái)解決這個(gè)問(wèn)題。

Schawinski和Lintott通過(guò)一個(gè)名為Galaxy Zoo的公民科學(xué)項(xiàng)目從公眾中招募志愿者來(lái)幫助他們分類(lèi)網(wǎng)上的星辰圖像，并向多名志愿者展示相同的圖像以便讓他們能夠檢查彼此的工作。最終，超過(guò)10萬(wàn)人參與并完成了這一項(xiàng)任務(wù)，如果靠他們自己的話(huà)，這項(xiàng)任務(wù)可能需要數(shù)年時(shí)間才能完成，但通過(guò)這種方式不到6個(gè)月就完成了。

公民科學(xué)家繼續(xù)為圖像分類(lèi)任務(wù)做出貢獻(xiàn)。但技術(shù)也在不斷發(fā)展。

暗能量光譜儀器計(jì)劃于2019年開(kāi)始，五年內(nèi)將測(cè)量約3000萬(wàn)個(gè)星系和類(lèi)星體的速度。大型天氣調(diào)查望遠(yuǎn)鏡定于20世紀(jì)20年代初開(kāi)始工作，每晚將收集超過(guò)30TB的數(shù)據(jù) – 并持續(xù)十年。

“來(lái)自這些調(diào)查的數(shù)據(jù)量至少要大一個(gè)數(shù)量級(jí)，”芝加哥大學(xué)博士后研究員Camille Avestruz說(shuō)。

為了跟上數(shù)據(jù)的增長(zhǎng)，像Schawinski和Avestruz這樣的天體物理學(xué)家已經(jīng)著手招募了一類(lèi)新的、非人類(lèi)的科學(xué)家:機(jī)器。

研究人員正在使用人工智能來(lái)幫助完成天文學(xué)和宇宙學(xué)中的各種任務(wù)，從圖像分析到望遠(yuǎn)鏡調(diào)度。

超級(jí)調(diào)度，計(jì)算機(jī)級(jí)別的校準(zhǔn)

人工智能似乎是計(jì)算機(jī)可以推理，決策，學(xué)習(xí)和執(zhí)行與人類(lèi)智能相關(guān)的任務(wù)的方式的總稱(chēng)。機(jī)器學(xué)習(xí)是人工智能的一個(gè)子領(lǐng)域，它使用統(tǒng)計(jì)技術(shù)和模式識(shí)別來(lái)訓(xùn)練計(jì)算機(jī)做出決策，而不是編寫(xiě)更直接的算法。

2017年，斯坦福大學(xué)的一個(gè)研究小組利用機(jī)器學(xué)習(xí)來(lái)研究強(qiáng)引力透鏡的圖像，這種現(xiàn)象指的是空間中物質(zhì)的積累足夠密集時(shí)會(huì)彎曲光波。由于許多引力透鏡不能單獨(dú)通過(guò)發(fā)光物質(zhì)來(lái)解釋?zhuān)�因此更好地了解引力透鏡可以幫助天文學(xué)家深入了解暗物質(zhì)。

過(guò)去，科學(xué)家通過(guò)比較重力透鏡的實(shí)際圖像，并使用計(jì)算機(jī)大量模擬數(shù)學(xué)透鏡模型來(lái)進(jìn)行研究，這個(gè)過(guò)程可能需要數(shù)周甚至數(shù)月才能生成單個(gè)圖像。但一個(gè)斯坦福大學(xué)的團(tuán)隊(duì)表明，機(jī)器學(xué)習(xí)算法可以將這個(gè)過(guò)程加速數(shù)百萬(wàn)倍。

Schawinski現(xiàn)在是蘇黎世聯(lián)邦理工學(xué)院的天體物理學(xué)家，并在他目前的工作中應(yīng)用了機(jī)器學(xué)習(xí)。他的小組使用了稱(chēng)為生成對(duì)抗網(wǎng)絡(luò)(GAN)的工具來(lái)恢復(fù)因隨機(jī)噪聲而降級(jí)的圖像。

機(jī)器學(xué)習(xí)在天體物理學(xué)中的另一個(gè)應(yīng)用涉及解決諸如調(diào)度之類(lèi)的邏輯挑戰(zhàn)。對(duì)于望遠(yuǎn)鏡來(lái)說(shuō)，一夜之間只有一個(gè)固定的時(shí)長(zhǎng)可以使用給定的高倍望遠(yuǎn)鏡，并且在一個(gè)確定的時(shí)間它只能指向某個(gè)特定的方向。芝加哥大學(xué)的物理學(xué)家，費(fèi)米實(shí)驗(yàn)室機(jī)器智能小組的成員布萊恩諾德說(shuō)：“使用望遠(yuǎn)鏡數(shù)周就能花費(fèi)數(shù)百萬(wàn)美元。”該公司的任務(wù)是幫助所有高能量領(lǐng)域的研究人員在他們的工作中部署AI。

機(jī)器學(xué)習(xí)可以幫助天文臺(tái)安排望遠(yuǎn)鏡，使他們能夠盡可能有效地收集數(shù)據(jù)。 Schawinski的實(shí)驗(yàn)室和Fermilab都在使用一種稱(chēng)為強(qiáng)化學(xué)習(xí)的技術(shù)來(lái)訓(xùn)練算法解決這樣的問(wèn)題。在強(qiáng)化學(xué)習(xí)中，算法不是針對(duì)“正確”和“錯(cuò)誤”答案進(jìn)行訓(xùn)練，而是通過(guò)依賴(lài)于其輸出的不同反饋。算法必須在選項(xiàng)的安全性，可預(yù)測(cè)的收益與通過(guò)意外方案完美解決問(wèn)題的可能性之間取得平衡。

不斷增長(zhǎng)的AI應(yīng)用領(lǐng)域

當(dāng)芝加哥大學(xué)豐田技術(shù)學(xué)院的計(jì)算機(jī)科學(xué)研究生Shubhendu Trivedi開(kāi)始與他的導(dǎo)師Risi Kondor一起教授深度學(xué)習(xí)的研究生課程時(shí)，他很高興地看到有很多來(lái)自物理科學(xué)的研究人員報(bào)名參加。他們對(duì)如何在他們的研究中使用AI知之甚少，Trivedi意識(shí)到機(jī)器學(xué)習(xí)專(zhuān)家能夠幫助不同領(lǐng)域的科學(xué)家找到利用這些AI新技術(shù)的方法，但目前這一需求并沒(méi)有得到滿(mǎn)足。

他與班上研究人員進(jìn)行的對(duì)話(huà)演變?yōu)楹献鳎�包括參加深空天體實(shí)驗(yàn)室，這是一個(gè)天文學(xué)和人工智能研究小組，由Avestruz，Nord和太空望遠(yuǎn)鏡科學(xué)研究所的天文學(xué)家Joshua Peek共同創(chuàng)立。本月早些時(shí)候，他們提交了他們的第一篇同行評(píng)審論文，展示了基于人工智能的方法在宇宙微波背景下測(cè)量引力透鏡的效率。

論文地址：

https://arxiv.org/abs/1810.01483

事實(shí)上，各地都出現(xiàn)了類(lèi)似的團(tuán)體，從瑞士的Schawinski集團(tuán)到澳大利亞的天體物理和超級(jí)計(jì)算中心。天文學(xué)中機(jī)器學(xué)習(xí)技術(shù)的采用正在迅速增加。在arXiv對(duì)天文學(xué)論文的搜索中，“深度學(xué)習(xí)”和“機(jī)器學(xué)習(xí)”這兩個(gè)術(shù)語(yǔ)在2018年前七個(gè)月的論文標(biāo)題中出現(xiàn)的比2017年全年更多，而2017年全年都超過(guò)了2016年。

“五年前，天文學(xué)中的機(jī)器學(xué)習(xí)算法是在大多數(shù)情況下比人類(lèi)表現(xiàn)更差的深?yuàn)W工具，”Nord說(shuō)，然而如今，越來(lái)越多的算法開(kāi)始優(yōu)于人類(lèi)：“你會(huì)驚訝于它有多少低懸可摘的果實(shí)。”

但是將機(jī)器學(xué)習(xí)引入天體物理學(xué)研究也存在很多障礙。其中最大的問(wèn)題在于機(jī)器學(xué)習(xí)對(duì)天文學(xué)家來(lái)說(shuō)往往是一個(gè)黑盒。Schawinski說(shuō)：“我們不了解神經(jīng)網(wǎng)絡(luò)如何工作和理解事物”，對(duì)于使用工具而不完全了解它們的工作方式，科學(xué)家們感到很擔(dān)心。

另一個(gè)絆腳石則是不確定性。機(jī)器學(xué)習(xí)通常建立于具有一定量噪聲或誤差的輸入，并且模型本身會(huì)做出引入不確定性的假設(shè)。研究人員在工作中使用機(jī)器學(xué)習(xí)技術(shù)需要了解這些不確定性，并將這些不確定性準(zhǔn)確地傳達(dá)給彼此和更廣泛的研究領(lǐng)域。

機(jī)器學(xué)習(xí)的現(xiàn)狀發(fā)生了如此迅速的變化，研究人員不愿意對(duì)未來(lái)五年即將發(fā)生的事情進(jìn)行預(yù)測(cè)。 “如果數(shù)據(jù)能直接從望遠(yuǎn)鏡中取出，而機(jī)器可以利用這些數(shù)據(jù)，發(fā)現(xiàn)并創(chuàng)造出意想不到的模式，我會(huì)非常興奮，”Nord說(shuō)。

無(wú)論未來(lái)的發(fā)展形式如何，數(shù)據(jù)的發(fā)展都會(huì)越來(lái)越快。研究人員越來(lái)越相信，人工智能將成為幫助他們跟上發(fā)展的必要條件。

相關(guān)報(bào)道：

https://www.symmetrymagazine.org/article/studying-the-stars-with-machine-learning

標(biāo)簽： 安全 搜索 網(wǎng)絡(luò)

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請(qǐng)與原作者聯(lián)系。