简介：（英文来源/Wired 作者/Sarah Scoles 编译/Xtecher Samuel Chicken Steak）天文学家 Kevin Schawinski 花费了大量时间研究黑洞对星系形成的影响。 面对海量、复杂的数据分析工作，他常常感到束手无策。 他试图用人工智能技术代替人类分析，但受限于自己的编程知识……

（英文来源/Wired 作者/Sarah Scoles 编译/Xtecher Samuel Chicken Chop）

天文学家凯文·沙文斯基花费了大量时间研究黑洞对星系形成的影响。 面对海量、复杂的数据分析工作，他常常感到束手无策。 他试图用人工智能技术来代替人类分析，但由于缺乏编程知识而受到限制。

当沙文斯基陷入困境时，他在苏黎世联邦理工学院的同事向计算机科学家张策提供了联系信息。 “你应该谈谈，”同事说。 很快，沙文斯基与张策合作，将前沿的机器学习技术带入天文学研究。 最近，他们发布了第一个成果：神经网络系统可以锐化望远镜捕捉到的模糊图像，使科学家能够更好地分析图像中的细节。

沙温斯基与张的项目只是近年来天文研究技术进步的冰山一角。 智能系统在识别、分类和分析方面远远优于人类。 在不久的将来，机器学习将成为天文学家最常用的辅助工具之一，超越分析数据的幕后工作。

在沙文斯基和张的最初研究中，他们在大量猫的照片上训练了一个神经网络，“教导”系统识别猫的特征。 经过学习，这个系统很快就掌握了技巧，可以快速恢复一张模糊的猫咪照片。 他们将该系统命名为 GAN，源自 Generative Adversarial Network（生成对抗网络）的缩写。 该系统由两组相反的神经网络组成。 在训练过程中，一组神经网络接收一张模糊的天文图像和一张清晰的原始图像，并尽力修复模糊的图像，使其接近原始图像。 另一组网络负责将恢复的图像与原始图像进行比较，以找出两者之间的差异。 除了宇宙照片外，研究人员还将让系统对毁容人物的照片进行“整容手术”。

GAN系统暴露了当前射电望远镜不够锐利的事实，特别是在捕捉新生恒星的图像时。 “我不想将其呈现为陈词滥调的‘圣杯’外观，”沙文斯基说。 “但在天文学中，你经常想让图像看起来比实际情况更好。”

当被问及他们下一步打算用神经网络系统做什么时，沙文斯基对张说：“还有什么我们还没有透露的吗？” 这让我意识到他们的目的不仅仅是修复天文照片。 两人表示，短期内没有具体计划（或者不愿意透露），但从长远来看，这些机器学习技术将用于军事技术研究。 Schawinski还认为，科学家不需要对深度学习等相关计算机科学领域进行深入研究。 毕竟，世界上掌握这项技术的人并不多。

与此同时，其他天文学家正在将机器学习应用到他们自己的研究中。 苏黎世联邦理工学院的一些科学家利用人工智能来解决宇宙辐射信号干扰的问题。 他们训练神经网络来识别和伪装人造无线电干扰信号，例如卫星、无线路由器和微波炉，然后找到解决信号干扰的方法，帮助天文学家更好地观察黑洞。 神经网络的应用不仅限于新的天文观测。 以前的观察数据也可以重新分析和利用。 正如沙文斯基所说，“神经网络可以帮助我们更好地利用所有数据来理解宇宙。”

机器学习使研究工作变得更加容易。 过去，天文学家必须艰苦地反复寻找类似的信号，例如脉冲星的振动、星系的悬臂梁和星云的光谱。 现在这些任务可以交给智能系统，它可以自行区分和分析信号，以确认这样的星系是否存在。 该系统的开发者亚历克斯·霍金（Alex Hocking）表示：“我们不会告诉计算机要寻找什么；我们‘教’它去寻找它需要寻找的东西。”

早在2012年，研究脉冲星的天文学家就开发出了一种基本的神经网络，并在测试中发现了85%的脉冲星，而2016年建成的智能系统可以快速有效地识别辐射信号。 来源。 在光学分析方面，名为 RobERt 的神经网络系统可以在几秒钟内完成研究人员需要几天时间才能分析的恒星化学成分。 尽管听起来很奇怪，但当天文学家要求罗伯特“猜测”恒星上的“水”会是什么样子时，他轻松地做到了。

迄今为止，计算机在天文学的某些领域已经超越了人类的能力，并且计算机还将继续改变其他科学技术领域，解放科学家的时间和精力，使他们能够投入到更有趣的课题上。 “人工智能将全面进入科学研究领域，”沙文斯基说。 “这只是一场革命的开始。我们正在见证科学研究未来的巨大变化。”