首页 >> 地磅

看人工智能如何发现夜空中最亮的星济南色谱柱邦定机生化设备加热管Kf

2023-03-16 16:04:36 加热管    邦定机    热管    济南    

看人工智能 如何发现夜空中最亮的星

来源:科技

近几年,人工智能越来越多应用于天文学研究。深度学习需要海量数据,而天文学正是ai大显身手的领域。机器可以替人类从茫茫大海里捞针,捕捉到新的恒星、新的地外行星甚至暗物质。 寻找暗物质,机器比人的眼神好。近期《计算天体物理学和宇宙学》发表的一篇论文显示,美国劳伦兹伯克利国家实验室(以下简称“伯克利实验室”)等机构共同研制的深度学习ai框架,能够探寻宇宙里暗物质的迹冲击实验机是指对试样施加冲击实验力象。

辨认“引力透镜”,ai立功了

寻找“引力透镜”是研究暗物质分布的基本方法。巨大质量的物体会像透镜一样扭曲路过的光线,找出这种扭曲就能捕捉到不发光的质量物。

论文显示,伯克利实验室建立的深度学习ai框架cosmogan,可以分析引力透镜与暗物质的关联。它可以创建高保真、弱引力透镜收敛图。

曾几何时,寻找“引力透镜”所需的模拟和数据处理很麻烦。20名科学家花费了好几个月的时间只能查看一小块空间图像。物理模拟需要数十亿个计算小时,占用数兆字节的磁盘空间。

神经络的进步提供了机会。伯克利实验室领导的团队引入一种“生成性对抗络(gans)”。研究者穆斯塔法说:“也有别的深度学习方法可以从许多图像中得到收敛图,但与竞争方法相比,gans生成非常高分辨率的图像,同时仍有神经络的高效率。”

现在,天文学家可以用cosmogan分析大得多的天区,速度也更快。

cosmogan不是唯一取得进展的天文学深度学习神经络。比如多伦多大学利用深度学习技术解析月球陨石坑的卫星图像,p8超级计算机的神经络在仅仅几个小时内发现6000个新的陨石坑,是过去几十年中人类发现陨石坑数量的2倍。伊利诺伊大学厄巴纳-香槟分校利用深度学习来探测和分析黑洞碰撞的引力波。ai搁板在天文学遍地开花。

数据太多,没机器玩不转

过去几年里,天文领域的大多数方向都在尝试使用人工智能。考虑到天文学要处理的数据之多,这是一个很自然的思路。让机器练习去分析蛛丝马迹,不如此,未来的天文学将无法运转。

不久前举办的2019年gpu技术大会吸引了全世界的人工智能学者。大会请来加州大学圣克鲁兹分校的天文学家布兰特·罗伯特森演讲并充分斟酌到实验机同轴度检测技术的发展趋势,他指出:“天文学正在一场新的数据革命的风口”。罗伯特森认为,新一代天文仪器必须配合由深度学习驱动的新一代软件。

比如预计在3年后运行的大口径全天巡视望远镜(lsst)。它巡视南天那一半宇宙中的370亿个星系,生成一部时长十年的不间断视频。lsst配备的是32亿像素的相机,每晚产生25tb的数据,相当于现在先进天文望远镜一生贡献的所有数据。

再比如平方公里阵列射电望远镜(ska)。它遍布全球,一部分天线在非洲南部8国部署,还有100多万天线位于澳大利亚和新西兰。它的原始数据每天达到5千个pb,处理后也有50个pb左右。

“暗能量巡天”编制几亿个星系的星图;“盖亚”卫星测绘银河系数十亿恒星;“兹威基”项目每小时能够扫描3750平方度的天区。在中国,fast每天的数据量将达150tb;郭守敬望远镜观测了901万条光谱,是世界上最大的天体光谱库……

捕捉人类看不出的模式

数据越来越多,科学家试图聚合它们。但在gpu大会上,罗伯特森说,未来几个大型天文望远镜一起产生大量数据,聚合之后复杂到人类无法直接利用。而加州大学圣克鲁斯分校的科学家试图解决这个问题。计算机科学系一名博士生创建的morpheus深度学习框架,可以基于望远镜的原始数据,逐像素地分类天体。

加州大学圣克鲁兹分校的科学家们还用ai更好地研究星系的形成。在他们2019年初发表的一项研究中,科学家用计算机模拟的星系训练计算机,让它学习星系演化的三个关键阶段。后来计算机分析来自哈勃太空望远镜的星系图像,表现出奇好。

人工智能应用于人脸识别,在海量数据训练后,可以根据一张照片,认出这个人化妆和年老时候的样子。而宇宙中很多图像也可用同样的方法来归类。

“深度学习可以寻找模式,机器能看到非常复杂的模式,而人类看不到。”参与研究的科学家大卫·库说,“我们希望进一步测试这种方法。在概念验证研究中,机器似乎成功地在数据中找到了模拟中确定的星系演化的不同阶段。”

帮天文学家找到另一个太阳系

2018年底的一篇报道显示,谷歌人工智能发力,从开普勒系外行星观测数据库里找到了新的行星。行星是很难寻找的。位于太空的开普勒卫星观察145000颗类金属丝绳似太阳的恒星,从恒星亮度微弱变化来发现行星。记录4年的数据中,包括大约35000个疑似的行星记录。天文学家用机器结合人眼来识别,但最暗最弱的信号常被忽略。

在谷歌ai的帮助下,我们发现了开普勒90i和开普勒80g两颗新行星。也让开普勒90被确认为第一个至少拥有8颗行星的外星系。

神经络和机器学习处理了140亿个数据点,之后成功筛选出了候选者。

nasa和谷歌说,未来新技术将找到更多系外行星。nasa还表示不用担心天文学家失业。nasa的科学家杰西·道特森解释表示,数据提供给神经络之前,需要天文学家进行分类,以便人工智能可以从中学习分析出新的信息。

道特森说:“ai以后绝对会和天文学家一起工作,成为必不可少的工具。”

当然,机器学习也带来“黑盒子”风险:我们得到了答案,但我们不知道机器为何如此判断,或许答案是错的。机器也会买回去不能实验犯错。天文学家将继续训练和适应它。

延伸阅读

专家点评

深度学习还不具备“物理直觉”

确实,现在人工智能已经深入到了天文天体物理学的各个分支领域。目前,美国劳伦兹伯克利国家实验室利用深度学习,能够快速根据宇宙三维密度分布,判断暗物质、暗能量等宇宙学基本常数,他们发现应用人工智能之后,统计量误差比先前应用传统统计学办法小不少。此外,我们也利用深度学习在极低信噪比的光谱中寻找宇宙早期的氢、碳元素,发现比传统方法也要好用。

同时,天文学家们也在应用深度学习,帮助我们判断天体的三维位置、远近,进而勾勒出三维空间的大尺度结构。人们发现深度学习在对数据信息的挖掘方面,可能强于我们之前所用的传统方法。人工智能也被谷歌公司应用到探测系外行星的领域,并成功探测到了几个系外行星……可以说,人工智能如今在天体物理的前沿领域被广泛应用。

但从物理学家的角度看,基于深度学习的人工智能也许也有其局限性。这种局限性在于它只能基于数据、在已经被定义得非常明确的特定领域内发挥作用。只能在物理学家的指导下,把统计量的误差棒做得更小,估计某个量更精准,而目前尚无法指导我们发现数据背后的新物理规律。也不具备人类才有的,基于美、对称和简洁的“物理直觉”。<效果器/p>

举一个最简单的例子,比如说开普勒基于第谷的观测数据,可以发现开普勒第三定律,而目前再好的机器学习、人工智能算法可能也很难基于相同数据,重复这个发现。

所以说我认为深度学习在天文中应用的本质,目前还局限在做更好的统计和拟合这个方面。

脑血栓恢复期吃什么药好
适合端午送的高档有品味的酒
右归丸都有哪些中药成分
万艾可小蓝片
友情链接