人工智能是大数据天体物理期间的全能钥匙吗？

今朝为止，呆板进修，尤其是深度进修的独一真正乐成之处是在给定大量人类注释数据的环境下，可以或许行使持续的几许调动将空间X映射到空间Y，然而至于为什要从X映射到Y还必要科学家本身把控。另外，从X映射到Y的详细细节也必要更深入的研究。

相干研究[9]已经实行用谷歌的Deep-Dream[10]器材包研究星系团质量重构进程中对特定命据点的敏感性（图6），微软的InterpretML[11]器材包则专注于神经收集模子中各部门的逻辑相关和数据流向（图7），这两个实行可以被当作“向黑盒子照入光”，辅佐人们更好地领略其事变道理，虽然功效仍很起源，离完全领略“黑盒子”尚有很长的路要走。但愿跟着对呆板进修事变逻辑研究的深入，人类能最终打开黑盒，让呆板进修辅佐科学家更好地试探宇宙。

图6. 应用深度进修算法基于星系团的光度信息重构星系团的总质量漫衍的进程中，星系团光度场中数据点对重构功效孝顺的权重表示图。

左侧为星系团的广度漫衍（恒星粒子漫衍）[9]，个中黑圈圈出星系团的中心星系的位置，红圈圈出星系团的成员星系；右侧为Deep-Dream[10]处理赏罚后的功效，黄色的地区代表对功效孝顺较量大的数据点 。

图7. 呆板进修模子表明软件InterpretML简介[11]。

04 总结：有用、有选择、有将来

大数据天体物理期间，呆板进修能有用地辅佐天文学家完成了海量数据的发掘事变。但呆板进修并不是全能的钥匙，不能盲目地应用呆板进修去办理全部天文学题目，尤其是在题目范畴不明晰、数据体量不敷以及数据质量不高的环境下。

其它，不行表明性是呆板进修要领今朝最大的短板，因此按照呆板进修的功效下因果性结论的时辰要尤为审慎。已经有一些先驱性事变实行表明呆板进修功效与数据的因果相关以及呆板进修模子内部的逻辑相关，但愿跟着此类研究的深入，人类能最终打开黑盒，让呆板进修也能从事推理和抽象相干的科研事变。

不外话说返来，真到谁人时辰，天文学家又将饰演何种脚色呢？会不会成为赋闲的人群？接待留下你的观点。

参考文献：

[1] https://www.sdss.org/

[2] https://www.darkenergysurvey.org/

[3] https://www.euclid-ec.org/

[4] https://www.lsst.org/

[5] Dieleman, S. et al., Rotation-invariant Convolutional Neural Networks for Galaxy Morphology Prediction, 2015, MNRAS, Vol. 450, Issue 2, p.1141-1459

[6] Hocking, A. et al., An automatic taxonomy of Galaxy Morphology Using Unsupervised Machine Learning, 2018, MNRAS, Vol. 473, Issue 1, p.1108-1129

[7] Fluri, J. et al., Cosmological Constraints from Noisy Convergence Maps through Deep Learning, 2018, Physical Review D, Vol. 98, Issue 12, id.123518

[8] Ravanbakhsh, S. et al., Enabling Dark Energy Science with Deep Generative Models of Galaxy Images, 2017, AAAI-2017, Proceedings, id.14765

[9] Yan, Z. et al, Galaxy Cluster Mass Estimation with Deep Learning and Hydrodynamical Simulations, 2020, MNRAS, Vol. 499, Issue 3, pp.3445-3458

[10] https://github.com/google/deepdream

[11] https://github.com/interpretml/interpret

作者简介

李楠

2013年在中国科学院大学年得到天体物理学博士，现中国科学院国度天文台副研究员，首要研究乐趣为呆板进修在天体物理中的应用、应用引力透镜效应研究星系宇宙学题目。

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!