机器学习算法可以在宇宙大海捞针中找到异常的针

天文学的面貌正在发生变化。尽管窄视场傻瓜式天文学仍然很重要(JWST有人吗?)，但大型宽视场调查有望成为未来几十年发现的动力，尤其是随着机器学习的出现。

最近开发的名为ASTRONOMALY的机器学习程序扫描了来自暗能量相机遗产巡天(DECaLS)的近400万张星系图像，发现了1,635个异常现象，其中包括18个先前未识别的具有“高度异常形态”的来源。这是未来的迹象：人类和软件之间的合作可以比任何一方单独完成更好的观测科学。

巡天望远镜长期以来一直是天文学家工具包的一部分。21世纪的不同之处在于，它们现在可以产生令人难以置信的大量数据，远远超过人类希望自己挖掘和检查的数据。例如，即将建成的维拉鲁宾天文台预计每晚都会产生20TB的数据(10年内达到60PB)，并最终提供“200亿个星系的32万亿个观测数据”。

仔细研究所有这些数据需要人类花费数十年的时间。人工智能可以更快地完成这件事。

大多数以前的异常检测程序都是在测试数据集上进行训练的，教导算法寻找特定现象。这些程序的局限性在于它们往往会发现许多相同类型的异常，而不是全新的异常。

相反，ASTRONOMALY是在“无人监督”的情况下运行的，使其能够发现新的异常值——这种让天文学家兴奋的事情，比如引力透镜、星系合并、奇怪的红移模式以及其他任何奇怪的东西。然而，当ASTRONOMALY采用主动学习形式并通过人类的输入来纠正错误时，它的表现最佳。将这些反馈纳入搜索可以提供更好的结果。

最好的部分：天文学家只需要几个小时。

在最近发布到arXiv的预印本论文中，天文学家在比以往更大的数据集上测试了ASTRONOMALY，证明它可以大规模工作。在向程序提供大量DECaLS数据后，他们测试了几种不同的算法。结果表明，通过人类主动学习输入增强的无监督方法可提供最高的独特异常输出。

研究人员表示，最有趣的异常现象包括“表现出奇怪颜色和形态的环形星系、半红半蓝的光源、一个潜在的强透镜系统，其中一对光源充当透镜、几个已知的相互作用群以及一些来源要么是相互作用的，要么是巧合的。”

一个令人费解的物体正在发出无线电发射，这可能可以用类星体的存在来解释，但该星系也有一个环特征，要么是罕见的红环星系，要么是引力透镜。另一个异常现象似乎是一个带有潮汐尾或碰撞伴星系的环形星爆星系。

如果没有主动学习算法，所有这些稀有物体都会被错过。这些结果预示着在不久的将来会有令人兴奋的新发现。

但在这个海量数据集的新时代，仍然有一个挑战需要克服：数据传输。

研究人员表示：“我们遇到的主要挑战之一是将数据从主机服务器传输到本地计算机，这需要几周的时间。”他们提出的解决方案?未来，将计算能力带到主观测站比尝试将数据带到异地更有意义。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！