星系团是宇宙中最庞大的结构之一，但尽管星系团有数百万光年宽，仍然很难被发现。兰卡斯特大学研究人员求助于人工智能，开发了“Deep- cee”(用于星系团提取和评估的深度学习)，这是一种新型的深度学习技术，可以加速发现星系团的过程。兰开斯特大学的博士生Matthew Chan将在2019年7月4日下午3:45分，在英国皇家天文学会国家天文学会议的天体物理学机器学习部分展示这项研究成果。
宇宙中大多数星系生活在被称为“场”的低密度环境中，或者以小组的形式存在，比如包含我们的银河系和仙女座星系。星系团比较少见，但它们代表了星系可以生存的最极端的环境，研究它们可以帮助我们更好地理解暗物质和暗能量。在20世纪50年代，发现星系团的先驱、天文学家乔治·阿贝尔(George Abell)花了多年时间用肉眼寻找星系团，用放大镜和照相板来确定它们的位置。Abell手动分析了大约2000张照相底片，寻找星系团的视觉特征。
并详细描述了星系密集区域的天文坐标，其研究成果是在北半球发现星系团的“Abell目录”。Deep-CEE建立在Abell识别星系团的方法上，但用一个人工智能模型取代了这位天文学家，该模型经过训练，能够“观察”彩色图像并识别星系团。这是一个基于神经网络的最先进模型，该模型旨在模仿人类大脑通过激活特定神经元来识别物体的方式——当看到独特的图案和颜色时。训练人工智能，反复向它展示图像中已知、标记过的物体的例子。
直到算法能够学会自己关联物体，然后进行了一项初步研究，以测试该算法在包含许多其他天体的图像中识别和分类星系团的能力。研究人员已经成功地将Deep-CEE应用到斯隆数字巡天计划中，最终，将在革命性的巡天计划中运行模型，比如大型天气观测望远镜(LSST)，它将探索宇宙中从未探索过的更广泛、更深区域。新的最先进望远镜使天文学家能够比以往任何时候都更广泛、更深入地观察。
比如研究宇宙的大尺度结构，绘制宇宙中大量未被发现的内容。通过自动化发现过程，科学家可以快速扫描一系列图像，并以最少的人类互动返回精确预测，这对今后分析数据将是必不可少的。即将到来的LSST天空调查(将于2021年上线)将描绘整个南半球的天空，估计每晚产生15 TB的数据。像深度学习这样的数据挖掘技术，将帮助我们分析现代望远镜的巨大输出，研究人员也希望该方法能找到科学上从未见过的数千个星团。
