在解決了地球上的諸多難題之后，AI的目光又轉(zhuǎn)向了深邃的宇宙。近日，來自西澳大利亞大學(xué)的研究人員們利用深度學(xué)習(xí)技術(shù)，來從紛繁復(fù)雜的觀測圖像中識別和發(fā)現(xiàn)新的星系，讓AI成為宇宙探索和發(fā)現(xiàn)的有力幫手。

隨著大型射電望遠(yuǎn)鏡的發(fā)展，越來越多太空區(qū)域被觀測和收集。如何有效的從如此龐大的觀測數(shù)據(jù)中發(fā)現(xiàn)新的天體成為了擺在天文學(xué)家面前的巨大問題，畢竟靠天文學(xué)家人工去觀測分析在巨大的數(shù)據(jù)量面前是幾乎不可能的任務(wù)。

深度學(xué)習(xí)給研究人員們啟發(fā)了新的思路。他們基于R-CNN的方法，將計算機(jī)視覺中的目標(biāo)檢測任務(wù)遷移到了天文學(xué)中的星系識別任務(wù)中，取得了良好的效果。

研究人們們開發(fā)出了一套名為ClaRAN的系統(tǒng)，將分析射電望遠(yuǎn)鏡拍攝到的觀測圖片，從中識別出星系黑洞中放出了強(qiáng)射電模式。

ClaRAN通過綜合多個波段的數(shù)據(jù)來實(shí)現(xiàn)對于星系的高精度檢測

研究人員表示，絕大多數(shù)情況下黑洞都會位于星系的中央，這些巨大的黑洞噴射出的射線可以被射電望遠(yuǎn)鏡捕捉到。但隨著時間的推移這樣的能量噴射會從宿主星系彌散開來讓傳統(tǒng)的計算機(jī)程序難以分辨出星系的真正位置，而這正是ClaRAN的任務(wù)所在。天文學(xué)家們基于著名的檢測模型Faster R-CNN訓(xùn)練并建立了識別星系的新算法，代替了人工低效冗長的工作。

在訓(xùn)練過程中，天文學(xué)家們使用了來自radio galaxy zoo中的22326張數(shù)據(jù)對模型進(jìn)行了訓(xùn)練，模型架構(gòu)如下圖所示。

這一架構(gòu)同時對兩個任務(wù)進(jìn)行學(xué)習(xí)，尋找出星系的位置和對應(yīng)的形態(tài)分類

這一模型可以達(dá)到超過90%的識別精度，將很多復(fù)雜模式的星系結(jié)構(gòu)識別出來，這不僅提高了天文學(xué)的研究效率，更解放了科學(xué)家的時間讓他們投身于更多新類型星系的研究任務(wù)中去。

通過結(jié)合不同波段的觀測信息，ClaRAN檢測的置信概率不斷提高。

這一網(wǎng)絡(luò)同時還可以在比訓(xùn)練數(shù)據(jù)視野更大的觀測數(shù)據(jù)上得到良好的結(jié)果，這對于大范圍的搜索有著至關(guān)重要的作用。

在未來，研究人員們將繼續(xù)改進(jìn)ClaRAN系統(tǒng)，提高它對于多源數(shù)據(jù)的分辨能力，并用更有效的統(tǒng)計手段對結(jié)果進(jìn)行評估。

如果感興趣想試試星系的分類，可以在這里找到課題組開源的代碼，基于Tensorflow和Faster RCNN-TF開發(fā)。

https://github.com/chenwuperth/rgz_rcnn/

很多星系的數(shù)據(jù)可以在kaggle數(shù)據(jù)庫中找到：

https://www.kaggle.com/c/galaxy-zoo-the-galaxy-challenge

http://radio.galaxyzoo.org/

https://radiotalk.galaxyzoo.org/