【博科园-科学科普】对天文学家来说,引力透镜是研究宇宙中最远天体的重要工具。这项技术包括使用一个巨大的物质簇(通常是一个星系或星团)在一个遥远的光源和观察者之间,以更好地看到来自该光源的光。在爱因斯坦的广义相对论预测的结果中,天文学家可以看到可能被遮挡的物体。
这个插图显示了引力透镜的工作原理。一个大星系团的引力是如此之强,它会弯曲、照亮和扭曲后面的遥远星系的光。这种规模被极大地夸大了;在现实中,遥远的星系离我们更远,而且小得多。图片版权:NASA, ESA, L. Calcada
最近一群欧洲天文学家开发了一种方法,可以在海量数据中找到引力透镜。使用与谷歌、Facebook和特斯拉(Tesla)相同的人工智能算法,他们可以找到56个新的引力透镜,从一个巨大的天文调查中。这种方法可以消除天文学家对天文图像进行目视检查的需要。
最近英国皇家天文学会月报刊登了一篇题为“用卷积神经网络在基洛度调查中发现强引力透镜”的研究报告。由Kapteyn天文研究所的Carlo Enrico Petrillo领导,该团队还包括国家天体物理研究所(INAF)、argelandert天文研究所(AIfA)和那不勒斯大学。
著名的引力透镜被称为宇宙马蹄铁是在里奥发现的。图片版权:NASA/ESA/Hubble
对天文学家来说,引力透镜是一种很痛苦的发现。通常这将包括天文学家通过望远镜和天文台拍摄的数千张图像进行排序。虽然学术机构能够依赖于业余天文学家和从未有过的公民天文学家,但却没有办法跟上世界各地仪器经常捕捉到的数以百万计的图像。
为了解决这一问题,派特里洛博士和他的同事们研究了所谓的“惊厥神经网络”(CNN),这是一种针对特定模式挖掘数据的机器学习算法。当谷歌使用这些相同的神经网络赢得与世界冠军的比赛时,Facebook使用它们来识别网站上发布的图片,而特斯拉一直在使用它们开发自动驾驶汽车。
正如佩特里洛在最近的荷兰天文研究所的一篇新闻文章中解释的那样:这是第一次使用卷积神经网络在天文观测中发现特殊物体。我认为这将成为一种规范,因为未来的天文调查将产生大量的数据,这将是必要的检查,但没有足够的天文学家来解决这个问题。
然后研究小组将这些神经网络应用于从千度调查中得出的数据(孩子们)。这个项目依赖于位于智利的ESO的帕拉纳天文台的VLT测量望远镜(VST),绘制了南夜空的1500平方度。这个数据集由VST的OmegaCAM收集的21789个彩色图像组成,这是一个由欧洲科学家联盟与ESO联合开发的多波段仪器。
天文学家用来训练他们的神经网络的引力透镜的手工照片样本。图片版权:Enrico Petrillo/Rijksuniversiteit Groningen
这些图像都包含了明亮的红色星系(LRGs)的例子,其中3个被认为是引力透镜。最初,神经网络在这个样本中发现了761个引力透镜。在目视这些候选人之后,研究小组将名单缩小到56个镜头。这些仍然需要太空望远镜在未来确认,但结果是相当积极的。
正如他们在研究中所指出的,这样一个神经网络,当应用于更大的数据集时,可能会发现成百上千的新镜头,根据我们的研究结果保守的估计结果表明,我们提出的方法应该是可以找到的。100个巨大的lrg - galaxy镜头在z ~> 0.4的孩子完成后。在最乐观的情况下,这个数字会有很大的增长(最大程度2400个镜头),当扩大了色彩大小的选择,并训练CNN识别更小的图像分离镜头系统。
此外神经网络在数据集中重新发现了两个已知的透镜,但没有发现第三个。然而,这是由于这个透镜特别小,而神经网络没有被训练来探测这种大小的透镜。在未来,研究人员希望通过训练他们的神经网络来发现更小的透镜,并拒绝误报。
当然这里的最终目标是完全消除对视觉检查的需求。这样一来,天文学家就可以从不得不做繁重的工作中解脱出来,并且可以投入更多的时间去探索发现的过程。同样机器学习算法也可以用来搜寻引力波和系外行星信号的天文数据。
就像其他行业试图从tb级的消费者或其他类型的“大数据”中寻找意义一样,这个领域的天体物理学和宇宙学可能会依赖人工智能来在原始数据的宇宙中找到模式。而且回报很可能是一个加速的发现过程。
知识:科学无国界,博科园-科学科普
参考:Netherlands Research School for Astronomy,MNRAS
作者:Matt Williams
来自:Universe Today
编译:中子星
审校:博科园