机器学习使宇宙成为焦点

望远镜提供了一个科技物体可以携带的最诱人的建议之一:人类可以捡起一个东西,观察它,并最终解决天堂之谜。

解开这个谜团需要自己的透视折射,拉近远近距离,以此来了解我们的星球及其在宇宙中的位置。

这就是为什么早期天文学家不只是每天晚上抬头看天体的详细草图。他们还跟踪这些尸体随时间在天空的移动。结果他们对地球运动有了一个了解。但要做到这一点,他们必须收集大量的数据。

那么,在现代天文学中,计算机将是如此有用的工具是有道理的。计算机帮助我们为火箭发射编程,并为飞行任务开发模型,但它们也分析来自遥远世界的大量信息。更大的望远镜比最早的天文学家做梦都想不到的更能照亮宇宙的深处。位于加那利群岛的大加那利望远镜是地球上最大的望远镜。它的直径是34英尺。*计划在夏威夷建造的三十米望远镜,如果建成的话,将会大近三倍。用望远镜,镜头或镜子越大,你能看到的越远。但很快,人工智能可能有助于绕过尺寸限制,告诉我们在外层空间看到了什么——即使当它看起来像是一个不确定的斑点时。

这个想法是训练一个神经网络,这样它就可以看到一个模糊的空间图像,然后精确重建望远镜无法自行分辨的遥远星系的特征。

在皇家天文学会月刊1月份发表的一篇论文中,苏黎世ETH天体物理学家凯文·夏温斯基率领的研究小组描述了他们在这方面的成功尝试。研究人员说,他们能够训练一个神经网络来识别星系,然后根据它所学到的知识,将一个星系的模糊图像锐化成一个焦点视图。他们使用被称为“生成对抗网络”的机器学习技术,这涉及两个神经网络相互竞争。

上面的帧显示了原始星系图像(最左边)、同一图像故意降级中间以及用神经网络恢复后的图像(右边)。随着计算机科学家和物理学家对这些技术进行实验,越来越强大的望远镜将为神经网络提供更多的机会来提供对宇宙的清晰看法。詹姆斯·韦伯太空望远镜( JWST )就是一个例子,它定于明年发射。如果一切顺利,望远镜将提供宇宙中一些最古老星系的景象——那些在大爆炸后仅几亿年形成的星系。夏温斯基告诉我说:「即使JWST也难以解决这些婴儿银河系。」“神经网络可能有助于我们理解这些图像。“不过

”夏温斯基在一封电子邮件中告诉我。神经网络被训练成根据我们今天所知道的星系的样子来识别星系。也就是说,要训练一个神经网络如何重建一个婴儿银河系,科学家首先必须能够告诉机器这个星系是什么样子。夏温斯基说:「现在,我们知道,早期宇宙中的星系与我们旧的演化宇宙中的星系大不相同。」“所以我们可能是在用错误的星系训练神经网络。这就是为什么我们在解释神经网络恢复时必须非常小心的原因。“

这是一个至关重要的警告,随着机器学习跨学科扩展并尝试更复杂的应用程序,这一警告将继续出现。例如,在其他地方,正如量子物理学家罗杰·梅尔科( Roger Melko )在最近的一篇文章中所写的那样,学者们提议使用机器学习来识别物质相的细微特征,然后对它所学的知识进行反向工程,以产生新物质或物质相的一瞥。

「如果我们足够小心并且做得正确,[使用]神经网络可能和我们目前使用更经典的统计方法所做的没有太大的不同,」苏黎世ETH的电脑科学家、最近RAS研究的合著者张策说。

尽管这些努力似乎扩大了人类对我们在太空中的位置的看法,但人类并没有从根本上改变它审视宇宙的方式。夏温斯基说:「从星系到行星,太空物体的影像,没有一个比你用肉眼看到的更真实或更不真实。」“我们的生物眼睛既看不到X射线,也看不到红外辐射,更不用说聚焦于特定离子中单一跃迁的光了。“

成像数据总是在so中处理“我的方式,”他补充道。人类的视觉是它自己的一种过滤器,天文学的整个历史就是它增强的故事。“我认为神经网络是告诉我们宇宙中实际存在什么以及它意味着什么的最新尖端方法。“

*这篇文章最初错误地描述了加那利大望远镜的主要聚光机制。它使用镜子,而不是镜头。我们对错误感到遗憾。

Copyright © 2017 时时彩小概率技巧 版权所有