近日，由中國科學院上海天文臺葛健研究員帶領的國際團隊，通過人工智能的深度學習，對國際斯隆巡天三期釋放的類星體光譜數據進行了微弱信號搜尋和數據分析，發現了極其稀少的107例宇宙早期星系內冷氣體云塊成分的關鍵探針中性碳吸收體。研究團隊分析發現，早在宇宙約30億年的演化早期，這些攜帶了中性碳吸收體探針的早期星系已經過了快速物理和化學演化進入介于大麥哲倫矮星系和銀河系之間的物理和化學演化狀態。相關研究成果于5月15日發表在國際天文學頂級期刊《皇家天文學會月報》上。
本次工作的研究方法與成果，對探索星系如何形成和演化提供了新的研究方式，也充分顯現了人工智能在天文海量數據中探尋微弱信號的廣泛應用潛力和前景。研究冷氣體和塵埃對理解星系形成和演化至關重要，想要研究冷氣體和塵埃需要探針。早期宇宙的星系離我們太遙遠，無法將星系自身發的光作為探針來觀測并研究冷氣體和塵埃。然而，宇宙中比星系要亮百倍以上的類星體所發出的光，在經過宇宙早期星系時會被其中的氣體和塵埃吸收，產生類星體的吸收光譜。其中，中性碳的吸收光譜可以幫助天文學家準確跟蹤冷氣體運行，因此，中性碳吸收體成為研究星系形成和演化的重要探針。
據研究團隊解釋，中性碳原子基態的精細結構能級差別很小，中性碳吸收線的信號微弱且極其稀少，需要在海量的類星體光譜數據中才能找到，如同大海撈針。使用傳統的搜尋方法需要耗費大量時間，找到的假信號較多，又很容易漏掉一些微弱信號。
為了解決這一問題，研究團隊通過使用人工智能的深度學習方法，設計神經網絡，生成基于實際觀測的中性碳吸收線特征的大量仿真樣本去訓練深度學習神經網絡，并使用這些被“訓練好”的深度學習神經網絡，在斯隆巡天三期釋放的大量數據中，搜尋中性碳吸收體。通過這樣的方式，研究團隊很快發現了極其稀少的107例宇宙早期星系內的冷氣體云塊成分的關鍵探針——中性碳吸收體。本次獲得的樣本數是此前獲得的最大樣本數的近兩倍之多，并且成功探測到了更多比以前更微弱的信號。
“此前已知的中性碳吸收線的樣本數很少，無法直接使用這么小的樣本對深度學習神經網絡進行充分訓練。”葛健指出，“與此同時，需要探測的兩條中性碳特征吸收線不僅微弱，還分布在諸多的強吸收線中間，神經網絡很容易在訓練中被強吸收線誤導，產生訓練偏差，從而影響到探測出真正的中性碳特征吸收線的靈敏度。”
研究團隊采用了創新的方法訓練人工智能，使深度學習神經網絡的探測精度達到了99.8%，探測完備性也顯著提升了約30%，達到了99%的完備性。研究團隊提到，這種人工智能的訓練和搜尋方式大大縮短了搜尋時間，提高了探測靈敏度和對微弱信號探測的完備性。
區別于韋伯太空望遠鏡通過星系發射光譜來研究，本次工作中，研究團隊通過觀測類星體的吸收光譜來研究早期星系，這將為未來宇宙和星系早期演化研究提供了一個全新且有效的研究手段。
“本次工作的突破性發現是人工智能在天文大數據領域應用的一個里程碑。要想使用人工智能在海量的天文數據中‘挖’到重大新發現，就需要發展創新的人工智能算法，使之能快、準、狠——即快速、準確、完備地探尋到這些很難在傳統方式下找到的稀少而微弱的信號。”葛健指出，這一創新方法具有在多領域圖像識別以及微弱信號探測中巨大的應用價值和潛力。
近日，由中國科學院上海天文臺葛健研究員帶領的國際團隊，通過人工智能的深度學習，對國際斯隆巡天三期釋放的類星體光譜數據進行了微弱信號搜尋和數據分析，發現了極其稀少的107例宇宙早期星系內冷氣體云塊成分的關鍵探針中性碳吸收體。研究團隊分析發現，早在宇宙約30億年的演化早期，這些攜帶了中性碳吸收體探針的早期星系已經過了快速物理和化學演化進入介于大麥哲倫矮星系和銀河系之間的物理和化學演化狀態。相關研究成果于5月15日發表在國際天文學頂級期刊《皇家天文學會月報》上。
本次工作的研究方法與成果，對探索星系如何形成和演化提供了新的研究方式，也充分顯現了人工智能在天文海量數據中探尋微弱信號的廣泛應用潛力和前景。研究冷氣體和塵埃對理解星系形成和演化至關重要，想要研究冷氣體和塵埃需要探針。早期宇宙的星系離我們太遙遠，無法將星系自身發的光作為探針來觀測并研究冷氣體和塵埃。然而，宇宙中比星系要亮百倍以上的類星體所發出的光，在經過宇宙早期星系時會被其中的氣體和塵埃吸收，產生類星體的吸收光譜。其中，中性碳的吸收光譜可以幫助天文學家準確跟蹤冷氣體運行，因此，中性碳吸收體成為研究星系形成和演化的重要探針。
據研究團隊解釋，中性碳原子基態的精細結構能級差別很小，中性碳吸收線的信號微弱且極其稀少，需要在海量的類星體光譜數據中才能找到，如同大海撈針。使用傳統的搜尋方法需要耗費大量時間，找到的假信號較多，又很容易漏掉一些微弱信號。
為了解決這一問題，研究團隊通過使用人工智能的深度學習方法，設計神經網絡，生成基于實際觀測的中性碳吸收線特征的大量仿真樣本去訓練深度學習神經網絡，并使用這些被“訓練好”的深度學習神經網絡，在斯隆巡天三期釋放的大量數據中，搜尋中性碳吸收體。通過這樣的方式，研究團隊很快發現了極其稀少的107例宇宙早期星系內的冷氣體云塊成分的關鍵探針——中性碳吸收體。本次獲得的樣本數是此前獲得的最大樣本數的近兩倍之多，并且成功探測到了更多比以前更微弱的信號。
“此前已知的中性碳吸收線的樣本數很少，無法直接使用這么小的樣本對深度學習神經網絡進行充分訓練。”葛健指出，“與此同時，需要探測的兩條中性碳特征吸收線不僅微弱，還分布在諸多的強吸收線中間，神經網絡很容易在訓練中被強吸收線誤導，產生訓練偏差，從而影響到探測出真正的中性碳特征吸收線的靈敏度。”
研究團隊采用了創新的方法訓練人工智能，使深度學習神經網絡的探測精度達到了99.8%，探測完備性也顯著提升了約30%，達到了99%的完備性。研究團隊提到，這種人工智能的訓練和搜尋方式大大縮短了搜尋時間，提高了探測靈敏度和對微弱信號探測的完備性。
區別于韋伯太空望遠鏡通過星系發射光譜來研究，本次工作中，研究團隊通過觀測類星體的吸收光譜來研究早期星系，這將為未來宇宙和星系早期演化研究提供了一個全新且有效的研究手段。
“本次工作的突破性發現是人工智能在天文大數據領域應用的一個里程碑。要想使用人工智能在海量的天文數據中‘挖’到重大新發現，就需要發展創新的人工智能算法，使之能快、準、狠——即快速、準確、完備地探尋到這些很難在傳統方式下找到的稀少而微弱的信號。”葛健指出，這一創新方法具有在多領域圖像識別以及微弱信號探測中巨大的應用價值和潛力。
本文鏈接：科學家訓練AI處理天文大數據，取得突破性成果http://m.sq15.cn/show-2-6049-0.html
聲明：本網站為非營利性網站，本網頁內容由互聯網博主自發貢獻，不代表本站觀點，本站不承擔任何法律責任。天上不會到餡餅，請大家謹防詐騙！若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。