13518219792
天文学家将AI人工智能应用于斯巴鲁望远镜拍摄的遥远宇宙超宽视场图像，并在这些图像中实现了非常高的发现和分类螺旋星系的精度，这项技术与公民科学相结合，有望在未来产生更多的发现。一个主要由来自日本国立天文台(NAOJ)天文学家组成的研究小组，应用了一种深度学习技术（AI人工智能），对斯巴鲁望远镜获得的大量图像中的星系进行了分类。
由于深度学习技术的人工智能AI高灵敏度，在图像中已经识别出多达56万个星系。要用人眼逐个目视地对这些星系进行形态分类是极其困难的，人工智能使研究团队能够在没有人工干预的情况下执行处理。自2012年以来，利用深度学习算法提取和判断特征的自动处理技术得到了迅速发展。现在，它们通常在精确度方面超过人类，并被用于自动驾驶车辆、安全摄像头和许多其他应用。
日本国立天文台项目助理教授Ken-ichi Tadaki博士提出了一个想法：如果AI人工智能能对猫和狗的图像进行分类，那么它应该能够区分“呈螺旋图案的星系”和“没有螺旋图案的星系”。事实上，使用人类准备的训练数据，人工智能成功地对星系形态进行了分类，准确率为97.5%。然后，将训练好的人工智能应用于全部数据集，它在大约8万个星系中识别出螺旋形，其研究发表《皇家天文学会月刊》上。
既然这项技术已经被证明是有效的，它可以扩展到将星系分类到更详细的类别，方法是在人类分类的大量星系基础上训练人工智能。日本国家天文台现在正在运行一个名为“银河巡航”的公民科学项目，在这个项目中，公民们可以检查用斯巴鲁望远镜拍摄的星系图像，以寻找表明该星系正在与另一个星系碰撞或合并的特征。“银河巡航”的顾问田中雅之副教授对用人工智能研究星系寄予厚望：
斯巴鲁望远镜战略计划是包含几乎无数星系的大数据，从科学上讲，通过公民天文学家和机器合作来处理这样的大数据是非常有趣的。通过在银河巡航中公民科学家所做的分类基础上运用深度学习，我们很有可能发现大量的碰撞和合并星系。基于卷积神经网络(CNN)的深度学习人工智能技术，利用来自斯巴鲁望远镜/Hyper SuPrime-Cam(HSC)观测的大图像数据，将星系形态自动分类为S向螺旋、Z向螺旋和非螺旋。
HSC I波段图像比斯隆数字巡天(SDSS)的图像深约36倍，空间分辨率高两倍，使天文学家能够在z>0.1的情况下识别星系中的旋臂和旋杆等亚结构。研究使用1447个S-螺线、1382个Z-螺线和51个 -650非螺线的HSC图像来训练cnn分类器。由于每类图像的数量不平衡，通过水平翻转、旋转和重新缩放图像来增加螺旋星系的数据，使三类图像的数量相似。训练好的神经网络模型对97.5%的验证数据进行了正确分类( %)，这些数据没有用于训练。
博科园｜研究/来自：日本国立天文台
参考期刊《皇家天文学会月刊》
博科园｜科学、科技、科研、科普
