人工智能，如何“拯救”不堪重负的天文学家？( 二 )

“河图”人工智能系统的主创，上海天文台研究员安涛|受访者供图
软硬一体化的设计让原型机性能得到充分发挥。不过，仅仅这些还不够，数据处理的智能化也必不可少。说起来，安涛研究员带领的团队设计人工智能系统的想法比原型机的建造还要更早些。
2018年11月， SKA组织发布了第一期的科学数据挑战赛，参与者可以自行下载9张4GB的高清图片，用各自的软件和方法来对图片中的天体进行识别和分类。在不同的噪音水平、曝光时间和波段下，这些模拟的图片中预计可探测到的天体数目也不同，如在1000小时的曝光下，高频段可以达到10万的量级。
一张图片10万个天体，听起来很多，但其实也只是完整SKA数据的“冰山一角” ，使得这样的挑战也变成了热身赛。实际上，位于澳大利亚西部的SKA探路者（ASKAP）巡天项目预计将探测到7000万个射电星系。
在这次挑战赛中，安涛团队设计了三种传统的方法，虽然当时也用了人工智能，但效果却一般。同时，安涛也注意到有其他团队用到了当时最新的人工智能的技术，比如残差网络。残差网络最初是由微软亚洲研究院于2015年开发，属于卷积神经网络的一种。
【人工智能，如何“拯救”不堪重负的天文学家？】在安涛看来，以卷积神经网络为代表的新一代人工智能技术在天体识别和分类方面具有巨大的潜能，一时的落后可能是由于网络的设计等方面还没有达到最佳。在分析了深度学习网络设计的优缺点后，在“河图”的设计中，安涛团队一方面将残差网络的深度提高，这样有助于提高精度；同时引入金字塔网络，可以在一张图片中同时检测多个不同形态的天体。
实验结果表明，河图的检测和分类速度，比传统的软件快20倍，达到了一张图万分之一秒。
自动和准确的天体普查工具，对于大型巡天项目的图像分析尤为重要。
“‘河图’不仅具有更高的识别精度，而且在识别延展源和弱源方面也有卓越的能力。 ”安涛告诉《知识分子》，他们未来将进一步提高“河图”的识别性能和速度以支持更大规模的图像处理，并更多地关注特殊形态天体，预计在SKA先导（ASKAP）巡天中将发挥重要作用。
“神经网络对数据的理解比预期的要深，但它需要大量的数据集进行训练（学习），浩瀚的宇宙为神经网络提供了天然的巨大数据量，人工智能的发展无疑将对天文学产生深远的影响。 ”安涛说。
越来越大的影响
在天文学中，对天体进行识别分类是基础性的工作。在这方面，如“河图”所展现的，人工智能的表现令人惊艳。事实上，在天文学的其它领域，人工智能也正发挥巨大的作用。
“AI、机器学习、深度学习等在天文学中应用是不可避免的，在大型巡天中海量天体自动分类、稀有特殊天体识别证认等研究中发挥了越来越重要的作用。我自己也已参加利用机器学习对天体分类的研究。 ”北京大学物理学院天文学系教授、系主任吴学兵告诉《知识分子》。
在论文预印本arxiv网站上，用关键词“卷积神经网络”搜索天体物理领域，可以得到400多个结果，最早的文献从2014年开始；而同样搜索条件下，过去12个月的文献达到了193条。从题目看，涉及到的问题也多种多样——
●“用CNNs在GeV级冰立方事件中重建中微子能量”
●“暗能量巡天项目第三年数据用卷积神经网络处理生成的星系形态分类目录”
●“DPNNet-2.0第I部分：从原行星盘间隙的模拟图像中寻找隐藏的行星”