很多人關注的是機器學習技術， 即“深度學習”， 即電腦能夠識別資料中的模式， 而不需要特別程式設計。 近年來， 這項技術已經應用于許多應用領域， 其中包括Facebook等社交媒體平臺的語音和面部識別功能。 然而天文學家也受益於深度學習， 這有助於分析星系的圖像， 並瞭解它們是如何形成和演化的。 在一項新的研究中， 一組國際研究人員使用深度學習演算法來分析哈勃太空望遠鏡的星系圖像。
星系的演化圖。 首先， 星系是由圓盤組成的(左)， 但活躍的恒星形成發生在星系中心的巨大塵埃和氣體雲。 然後星系被恒星膨脹所控制， 成為一個橢圓形或透鏡狀星系。 圖片：NAOJ
這一方法證明了對這些星系進行分類的有效性， 基於它們在演化過程中所處階段。 這項名為“深度學習識別高z星系在一個特徵品質範圍內的中心藍金塊階段”研究最近發表， 並已被《天體物理學雜誌》所接受。
一種“深度學習”演算法， 通過對宇宙類比的圖像進行訓練，
在過去， Marc Huertas-Company為了星系分類已經將深度學習方法應用到哈勃資料中。 在與David Koo和Joel Primack的合作中， 他們都是加州大學聖克魯斯分校的榮譽教授(在谷歌的支持下)， Huertas-Company和團隊在過去的兩個夏天裡開發了一個神經網路， 可以在他們演化不同階段識別出不同的星系。 想要選擇一個理論學家可以根據類比來明確定義的過程， 這與星系的外觀有關係， 然後有深度學習演算法在觀察中尋找它
剛剛開始探索這種新的研究方法， 這是一種新的融合理論和觀察的方法。 研究人員利用電腦類比來生成類比星系的圖像， 因為會觀察哈勃太空望遠鏡的觀測結果。 類比圖像被用來訓練深度學習神經網路，
和之前的圖片一樣， 哈勃太空望遠鏡拍攝的這些圖像是哈勃太空望遠鏡的一部分， 它是哈勃太空望遠鏡歷史上最大的項目。 發現神經網路對類比和真實星系的分類是非常一致的。 喬爾Primack解釋說：我們並不指望它會成功， 很驚訝這有多麼強大， 模擬是有局限性的， 所以我們不想提出太多的要求， 但不認為這只是僥倖。
一個螺旋星系閃耀在年輕恒星的藍色光芒中， 從正在進行的恒星形成(左)和一個沐浴在古老恒星的紅光中的橢圓星系(右圖)。 圖片：SDSS
研究小組對那些有一個小的， 密集的恒星形成區域， 被稱為“藍核”星系特別感興趣。 這些區域早在富含氣體的星系的演化過程中就發生了， 當大量的氣體進入星系中心時， 形成了發出藍光的年輕恒星。 為了模擬這些和其他類型的星系， 這個團隊依賴於Primack和一個國際合作團隊開發的最先進的VELA模擬。 在類比和觀測資料中，電腦程式發現“藍核”相位只發生在有品質在一定範圍內的星系中。
緊接著是中部區域的恒星形成，形成了緊湊的“紅金塊”階段，中央區域的恒星離開了主要的序列階段，變成了紅巨星。品質範圍的一致性是令人興奮的，因為它表明神經網路正在識別一個模式，這個模式是真實星系中一個關鍵物理過程的結果——而且不需要被明確告知這樣做。正如Koo所指出的，這項研究是天文學和人工智慧的一大進步，但仍需要做大量的研究：VELA的模擬在幫助我們理解CANDELS觀測方面取得了很大的成功。不過，沒有人有完美的模擬，在我們繼續這項工作的同時，將繼續開發更好的模擬。
在星系中心活躍星系核(AGN)的表示，圖片：NASA/CXC/M.Weiss
例如，團隊的模擬不包括活動星系核(AGN)所扮演的角色。在更大的星系中，氣體和塵埃聚集在中心超大品質黑洞(SMBH)的核心，這導致氣體和輻射被噴射到巨大的噴射流中。最近一些研究表明，這可能對星系中恒星形成有一個引人注目的影響。然而，對遙遠年輕星系的觀察顯示了在團隊類比中觀察到的現象證據，在這些模擬中，富含氣體的岩心導致了藍色金塊階段。
利用深度學習來研究星系演化，有可能揭示之前未被探測到的觀測資料。天文學家沒有觀測到星系作為時間的快照，而是能夠模擬它們在數十億年的演化過程。深度學習尋找模式，機器可以看到複雜到我們人類看不到的模式。對這種方法做更多的測試，但在這一概念驗證研究中，這台機器似乎成功地在資料中發現了在類比中識別出的星系演化的不同階段。
在未來，天文學家將有更多的觀測資料來分析，這要歸功於下一代望遠鏡的部署，比如大型的天氣觀測望遠鏡(LSST)、詹姆斯韋伯太空望遠鏡(JWST)和廣域紅外測量望遠鏡(WFIRST)。這些望遠鏡將提供更大的資料集，然後通過機器學習方法分析這些資料集，以確定模式的存在。天文學和人工智慧，共同致力於更好地理解宇宙，我不知道我們是否應該把它放在尋找萬物理論的任務上！
博科園-科學科普｜文：Matt Williams｜來自：Universe Today｜參考：UCSC, Astrophysical Journal
在類比和觀測資料中，電腦程式發現“藍核”相位只發生在有品質在一定範圍內的星系中。緊接著是中部區域的恒星形成，形成了緊湊的“紅金塊”階段，中央區域的恒星離開了主要的序列階段，變成了紅巨星。品質範圍的一致性是令人興奮的，因為它表明神經網路正在識別一個模式，這個模式是真實星系中一個關鍵物理過程的結果——而且不需要被明確告知這樣做。正如Koo所指出的，這項研究是天文學和人工智慧的一大進步，但仍需要做大量的研究：VELA的模擬在幫助我們理解CANDELS觀測方面取得了很大的成功。不過，沒有人有完美的模擬，在我們繼續這項工作的同時，將繼續開發更好的模擬。
在星系中心活躍星系核(AGN)的表示，圖片：NASA/CXC/M.Weiss
例如，團隊的模擬不包括活動星系核(AGN)所扮演的角色。在更大的星系中，氣體和塵埃聚集在中心超大品質黑洞(SMBH)的核心，這導致氣體和輻射被噴射到巨大的噴射流中。最近一些研究表明，這可能對星系中恒星形成有一個引人注目的影響。然而，對遙遠年輕星系的觀察顯示了在團隊類比中觀察到的現象證據，在這些模擬中，富含氣體的岩心導致了藍色金塊階段。
利用深度學習來研究星系演化，有可能揭示之前未被探測到的觀測資料。天文學家沒有觀測到星系作為時間的快照，而是能夠模擬它們在數十億年的演化過程。深度學習尋找模式，機器可以看到複雜到我們人類看不到的模式。對這種方法做更多的測試，但在這一概念驗證研究中，這台機器似乎成功地在資料中發現了在類比中識別出的星系演化的不同階段。
在未來，天文學家將有更多的觀測資料來分析，這要歸功於下一代望遠鏡的部署，比如大型的天氣觀測望遠鏡(LSST)、詹姆斯韋伯太空望遠鏡(JWST)和廣域紅外測量望遠鏡(WFIRST)。這些望遠鏡將提供更大的資料集，然後通過機器學習方法分析這些資料集，以確定模式的存在。天文學和人工智慧，共同致力於更好地理解宇宙，我不知道我們是否應該把它放在尋找萬物理論的任務上！
博科園-科學科普｜文：Matt Williams｜來自：Universe Today｜參考：UCSC, Astrophysical Journal