人工智能越来越多应用于天文学研究

文章作者:管理一号 | 2019-06-03
字体大小:

 

来历:科技日报

近几年,人工智能越来越多使用于地理学研讨。深度学习需求海量数据,而地理学正是AI大显神通的范畴。机器能够替人类从茫茫大海里捞针,捕捉到新的恒星、新的地外行星乃至暗物质。寻觅暗物质,机器比人的目光好。近期《核算天体物理学和世界学》宣布的一篇论文显现,美国劳伦兹伯克利国家实验室(以下简称“伯克利实验室”)等组织一同研发的深度学习AI结构,能够探寻世界里暗物质的痕迹。

辨认“引力透镜”,AI建功了

寻觅“引力透镜”是研讨暗物质散布的根本办法。巨大质量的物领会像透镜相同歪曲路过的光线,找出这种歪曲就能捕捉到不发光的质量物。

论文显现,伯克利实验室树立的深度学习AI结构CosmoGAN,能够剖析引力透镜与暗物质的相关。它能够创立高保真、弱引力透镜收敛图。

曾几何时,寻觅“引力透镜”所需的模仿和数据处理很费事。20名科学家花费了好几个月的时刻只能检查一小块空间图画。物理模仿需求数十亿个核算小时,占用数兆字节的磁盘空间。

神经网络的前进供给了时机。伯克利实验室领导的团队引进一种“生成性对立网络(GANs)”。研讨者穆斯塔法说:“也有其他深度学习办法能够从许多图画中得到收敛图,但与竞赛办法比较,GANs生成十分高分辨率的图画,一同仍有神经网络的高效率。”

现在,地理学家能够用CosmoGAN剖析大得多的天区,速度也更快。

CosmoGAN不是仅有获得发展的地理学深度学习神经网络。比方多伦多大学运用深度学习技能解析月球陨石坑的卫星图画,P8超级核算机的神经网络在只是几个小时内发现6000个新的陨石坑,是曩昔几十年中人类发现陨石坑数量的2倍。伊利诺伊大学厄巴纳-香槟分校运用深度学习来勘探和剖析黑洞磕碰的引力波。AI在地理学遍地开花。

数据太多,没机器玩不转

曩昔几年里,地理范畴的大多数方向都在测验运用人工智能。考虑到地理学要处理的数据之多,这是一个很天然的思路。让机器操练去剖析蛛丝马迹,不如此,未来的地理学将无法作业。

不久前举行的2019年GPU技能大会招引了全世界的人工智能学者。大会请来加州大学圣克鲁兹分校的地理学家布兰特·罗伯特森讲演,他指出:“地理学正在一场新的数据革新的风口”。罗伯特森以为,新一代地理仪器有必要合作由深度学习驱动的新一代软件。

比方估量在3年后运转的大口径全天巡视望远镜(LSST)。它巡视南天那一半世界中的370亿个星系,生成一部时长十年的不间断视频。LSST装备的是32亿像素的相机,每晚发生25TB的数据,相当于现在先进地理望远镜终身奉献的一切数据。

再比方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国布置,还有100多万天线坐落澳大利亚和新西兰。它的原始数据每天到达5千个PB,处理后也有50个PB左右。

“暗能量巡天”编制几亿个星系的星图;“盖亚”卫星测绘银河系数十亿恒星;“兹威基”项目每小时能够扫描3750平方度的天区。在我国,FAST每天的数据量将达150TB;郭守敬望远镜观测了901万条光谱,是世界上最大的天体光谱库……

捕捉人类看不出的形式

数据越来越多,科学家企图聚合它们。但在GPU大会上,罗伯特森说,未来几个大型地理望远镜一同发生许多数据,聚合之后杂乱到人类无法直接运用。而加州大学圣克鲁斯分校的科学家企图处理这个问题。核算机科学系一名博士生创立的Morpheus深度学习结构,能够依据望远镜的原始数据,逐像素地分类天体。

加州大学圣克鲁兹分校的科学家们还用AI更好地研讨星系的构成。在他们2019年头宣布的一项研讨中,科学家用核算机模仿的星系练习核算机,让它学习星系演化的三个要害阶段。后来核算机剖析来自哈勃太空望远镜的星系图画,体现出奇好。

人工智能使用于人脸辨认,在海量数据练习后,能够依据一张相片,认出这个人化装和年迈时分的姿态。而世界中许多图画也可用相同的办法来归类。

“深度学习能够寻觅形式,机器能看到十分杂乱的形式,而人类看不到。”参加研讨的科学家大卫·库说,“咱们期望进一步测验这种办法。在概念验证研讨中,机器好像成功地在数据中找到了模仿中确认的星系演化的不同阶段。”

  帮地理学家找到另一个太阳系

2018年末的一篇报导显现,谷歌人工智能发力,从开普勒系外行星观测数据库里找到了新的行星。行星是很难寻觅的。坐落太空的开普勒卫星调查145000颗相似太阳的恒星,从恒星亮度弱小改变来发现行星。记载4年的数据中,包含大约35000个疑似的行星记载。地理学家用机器结合人眼来辨认,但最暗最弱的信号常被疏忽。

在谷歌AI的协助下,咱们发现了开普勒90i和开普勒80g两颗新行星。也让开普勒90被确以为第一个至少具有8颗行星的外星系。

神经网络和机器学习处理了140亿个数据点,之后成功挑选出了候选者。

NASA和谷歌说,未来新技能将找到更多系外行星。NASA还表明不必忧虑地理学家赋闲。NASA的科学家杰西·道特森解说表明,数据供给给神经网络之前,需求地理学家进行分类,以便人工智能能够从中学习剖析出新的信息。

道特森说:“AI今后肯定会和地理学家一同作业,成为必不可少的东西。”

当然,机器学习也带来“黑盒子”危险:咱们得到了答案,但咱们不知道机器为何如此判别,或许答案是错的。机器也会犯错。地理学家将持续练习和习惯它。

延伸阅览

专家点评

深度学习还不具有“物理直觉”

的确,现在人工智能现已深化到了地理天体物理学的各个分支范畴。现在,美国劳伦兹伯克利国家实验室运用深度学习,能够快速依据世界三维密度散布,判别暗物质、暗能量等世界学根本常数,他们发现使用人工智能之后,计算量差错比从前使用传统计算学办法小不少。此外,咱们也运用深度学习在极低信噪比的光谱中寻觅世界前期的氢、碳元素,发现比传统办法也要好用。

一同,地理学家们也在使用深度学习,协助咱们判别天体的三维方位、远近,从而勾勒出三维空间的大标准结构。人们发现深度学习在对数据信息的发掘方面,或许强于咱们之前所用的传统办法。人工智能也被谷歌公司使用到勘探系外行星的范畴,并成功勘探到了几个系外行星……能够说,人工智能现在在天体物理的前沿范畴被广泛使用。

但从物理学家的视点看,依据深度学习的人工智能或许也有其限制性。这种限制性在于它只能依据数据、在现已被界说得十分清晰的特定范畴内发挥作用。只能在物理学家的辅导下,把计算量的差错棒做得更小,估量某个量更精准,而现在尚无法辅导咱们发现数据背面的新物理规则。也不具有人类才有的,依据美、对称和简练的“物理直觉”。

举一个最简略的比方,比方说开普勒依据第谷的观测数据,能够发现开普勒第三规律,而现在再好的机器学习、人工智能算法或许也很难依据相同数据,重复这个发现。

所以说我以为深度学习在地理中使用的实质,现在还限制在做更好的计算和拟合这个方面。

Copyright © 2009-2018 外星探索www.ufo-1.cn 版权所有 关于我们| 法律声明| 免责声明| 隐私条款| 广告服务| 在线投稿| 联系我们| 不良信息举报