人工智能（Artificial Intelligence，簡稱AI）就是用機器來模擬人類認知能力的技術，主要包括感知、學習、預測推理和決策等方面的能力。2016年3月，運用了人工智能“深度學習”技術的計算機程序AlphaGo在與圍棋世界冠軍李世石的對戰中輕松獲勝，人工智能也隨之開始受到越來越多的關注。近年來，由于AI的賦能，智慧教育、智慧醫療、智慧安防、自動駕駛汽車、物聯網等行業和領域獲得了蓬勃發展。
（圖片來自網絡）
一、AI在天文數據的處理方面大顯身手
由于天文技術的進步，天文學中出現了海量的數據，已經遠遠超過TB，達到PB的量級。天文學家們要想從LAMOST、FAST、LSST、VST、cssT等大型望遠鏡的海量數據中找出有價值的信息，需要耗費很多的時間和精力。高效地處理這些數據，已經成了天文學家們面臨的一道難題。于是，由于其在海量數據分析和處理方面所具有的突出優勢，人工智能很自然地走入了天文學家的視野。
2017年，NASA宣布他們利用google AI發現了“第二個太陽系”，而且所處天體是我們所在的太陽系之外首個已知的八行星恒星系統。人工智能手段參與系外行星的搜尋，并且首次為人類找出此前被遺漏的行星，人工智能方法體現出來的效率和準確性遠超傳統的分析方法。
二、引力透鏡——宇宙中的“放大鏡”
顧名思義，引力透鏡就是由引力引起的透鏡效應，它是宇宙中天然的“放大鏡”，可以讓我們看清遙遠的天體。引力透鏡的概念最初是在愛因斯坦的廣義相對論中提出的，它是指一種大質量物體改變其周圍時空特性，從而使光線在其附近傳播時路徑發生彎折的現象。
1979年，三位天文學家Walsh，Carswell和Weymann發現有兩顆類星體離得非常近，通過測量它們的光譜，三位科學家證實這兩個圖像是來自同一天體。從此以后，引力透鏡才真正被天文學家們所廣泛接受，今天已經成為天文學中的一項重要工具。
在引力透鏡事件中，觀測者從地球上觀測非常遙遠的發光天體，或者說背景天體，在觀測者和背景天體中間還有一個處于中間位置的天體，在中間的這個天體質量要足夠大，而且恰好處在觀測者和背景天體的連線附近。這樣背景天體發出的光在經過中間天體附近的時候，傳播路徑在中間天體引力場的作用下發生偏折，就像我們拿著放大鏡看遙遠的背景天體一樣。
天文學上研究引力透鏡一般分為三個大的方向：一是強引力透鏡,當這三者比較好的處在一條直線上；二是弱引力透鏡，就是這三者沒有特別好的連在一條直線上；三是微引力透鏡，主要是研究這三者在視覺上有明顯相對運動的情況。
弱引力透鏡在宇宙天空中幾乎無處不在。而強透鏡和微透鏡就是非常稀少的事件了。星系和星系團的引力場可以造成非常強的折射，因此我們可以看到背景天體發生非常明顯的形變。比如背景天體是一個星系的話，我們可能看到它被扭曲成一條弧形甚至一個完整的圓環（愛因斯坦光環）；如果背景天體是致密的點源，比如類星體的話，我們可能看到它的兩個像，甚至四個像（愛因斯坦十字）。這就是強引力透鏡現象。
強引力透鏡示意圖（圖片來自網絡）
愛因斯坦光環（圖片來源：NASA/ESA）
愛因斯坦十字（圖片來源：NASA/ESA）
三、AI助力搜尋強引力透鏡候選體
星系尺度的強引力透鏡系統是重要的宇宙學探針，可用于深入地研究宇宙學和天體物理中的諸多科學問題，如暗物質性質、星系形成和演化以及哈勃常數的測量等。然而，目前已證認的強透鏡系統數目過少，嚴重制約了相關天體物理學問題研究的開展。
如何搜尋證認更多強透鏡樣本是當前研究中的一個主要問題。通過下一代大規模測光巡天項目的開展，我們有望發現數以萬計的強透鏡系統。但如何才能在海量的天體圖像中快速地找到強透鏡候選體呢？近期，中國科學院云南天文臺與云南大學西南天文研究所的研究人員合作構建并訓練了一個卷積神經網絡，用來尋找強引力透鏡系統。
該神經網絡被應用于歐洲南方天文臺2.6米巡天望遠鏡（VST）千平方度巡天（Kilo-Degree Survey—KiDS）數據，發現了38個新的強透鏡候選體。論文發表在英國《皇家天文學會月刊》上。
發現的38個強透鏡候選體中的4個（圖片來源：KiDS巡天）
四、AI如何幫助搜尋強透鏡候選體？
卷積神經網絡是AI領域的重要技術，它的廣泛應用是近年來AI迅速發展的關鍵之一。相比普通神經網絡，卷積神經網絡可以充分提取數據中的空間不變性特征，多層卷積可以實現從底層特征到高層特征的復合。卷積神經網絡這些特點非常有利于引力透鏡的識別。
由于引力透鏡的特殊性，神經網絡的泛化能力十分重要，為此，該網絡訓練有別于一般網絡，主要使用天文學家根據理論模型生產的模擬數據進行訓練，由于模擬數據包含了天文工作者多年的經驗，并且可以任意生成，多樣性和全面性遠大于人工標注數據，結合定制的訓練方法，該神經網絡的泛化能力得到了極大提高。
為了方便天文工作者使用和改進該網絡，新型科學計算語言Julia被用來構建神經網絡模型。相比C/C++或Python語言，Julia語言同時兼顧了速度和靈活性。由于其靈活性，研究人員很方便地定制了適合引力透鏡數據特點的小型網絡，有效地抑制了過擬合現象。
最終，該網絡在CPU和GPU上都表現出良好的性能，并且可以任意切換，在普通PC上就可以運行，不需要依賴大型GPU集群，非常有利于天文研究工作者實時修改、訓練和測試網絡。
有意思的是，研究人員發現，在訓練計算機時，非強透鏡圖像比強透鏡圖像更加重要。剛開始他們使用簡單的規則星系圖像作為非強透鏡訓練樣本，發現結果正確率非常低。最后把各種可能的非透鏡圖像都考慮進來之后，才得到了比較好的結果。這就像在教電腦認識什么是狗的時候，還要告訴它貓、羊、牛等等都不是狗。而如果你只告訴它貓不是狗，電腦有非常大的概率把羊和牛認成狗。
五、AI可以成為天文學家有力的臂膀
卷積神經網絡可以充分利用GPU進行并行加速，因此，通過裝備更多或更強的GPU，可以極大地提升數據的搜索速度和效率，無需懼怕更大數量級的天文數據。
由于人工智能的幫助，天文研究者得以從數據處理和分析的泥沼中解脫出來，將更多的時間和精力用于思考和探尋宇宙本身的奧秘。
來源：中國科學院云南天文臺
