很多人关注的是机器学习技术，即“深度学习”，即计算机能够识别数据中的模式，而不需要特别编程。近年来，这项技术已经应用于许多应用领域，其中包括Facebook等社交媒体平台的语音和面部识别功能。然而天文学家也受益于深度学习，这有助于分析星系的图像，并了解它们是如何形成和演化的。在一项新的研究中，一组国际研究人员使用深度学习算法来分析哈勃太空望远镜的星系图像。
星系的演化图。首先，星系是由圆盘组成的(左)，但活跃的恒星形成发生在星系中心的巨大尘埃和气体云。然后星系被恒星膨胀所控制，成为一个椭圆形或透镜状星系。图片：NAOJ
这一方法证明了对这些星系进行分类的有效性，基于它们在演化过程中所处阶段。这项名为“深度学习识别高z星系在一个特征质量范围内的中心蓝金块阶段”研究最近发表，并已被《天体物理学杂志》所接受。这项研究由巴黎狄德罗大学的Marc huert – company领导，包括来自加州大学圣克鲁斯分校、希伯来大学、太空望远镜科学研究所、宾夕法尼亚大学费城分校、ParisTech和上海师范大学(SNHU)的成员。
一种“深度学习”算法，通过对宇宙模拟的图像进行训练，令人惊讶地成功地将哈勃图像中的真实星系分类。图片：HST/CANDELS
在过去，Marc Huertas-Company为了星系分类已经将深度学习方法应用到哈勃数据中。在与David Koo和Joel Primack的合作中，他们都是加州大学圣克鲁斯分校的荣誉教授(在谷歌的支持下)，Huertas-Company和团队在过去的两个夏天里开发了一个神经网络，可以在他们演化不同阶段识别出不同的星系。想要选择一个理论学家可以根据模拟来明确定义的过程，这与星系的外观有关系，然后有深度学习算法在观察中寻找它
刚刚开始探索这种新的研究方法，这是一种新的融合理论和观察的方法。研究人员利用计算机模拟来生成模拟星系的图像，因为会观察哈勃太空望远镜的观测结果。模拟图像被用来训练深度学习神经网络，以识别在模拟中已经识别出的星系演化的三个关键阶段。研究人员随后利用该网络分析了一组实际的哈勃图像。
和之前的图片一样，哈勃太空望远镜拍摄的这些图像是哈勃太空望远镜的一部分，它是哈勃太空望远镜历史上最大的项目。发现神经网络对模拟和真实星系的分类是非常一致的。乔尔Primack解释说：我们并不指望它会成功，很惊讶这有多么强大，模拟是有局限性的，所以我们不想提出太多的要求，但不认为这只是侥幸。
一个螺旋星系闪耀在年轻恒星的蓝色光芒中，从正在进行的恒星形成(左)和一个沐浴在古老恒星的红光中的椭圆星系(右图)。图片：SDSS
研究小组对那些有一个小的，密集的恒星形成区域，被称为“蓝核”星系特别感兴趣。这些区域早在富含气体的星系的演化过程中就发生了，当大量的气体进入星系中心时，形成了发出蓝光的年轻恒星。为了模拟这些和其他类型的星系，这个团队依赖于Primack和一个国际合作团队开发的最先进的VELA模拟。在模拟和观测数据中，计算机程序发现“蓝核”相位只发生在有质量在一定范围内的星系中。
紧接着是中部区域的恒星形成，形成了紧凑的“红金块”阶段，中央区域的恒星离开了主要的序列阶段，变成了红巨星。质量范围的一致性是令人兴奋的，因为它表明神经网络正在识别一个模式，这个模式是真实星系中一个关键物理过程的结果——而且不需要被明确告知这样做。正如Koo所指出的，这项研究是天文学和人工智能的一大进步，但仍需要做大量的研究：VELA的模拟在帮助我们理解CANDELS观测方面取得了很大的成功。不过，没有人有完美的模拟，在我们继续这项工作的同时，将继续开发更好的模拟。
在星系中心活跃星系核(AGN)的表示，图片：NASA/CXC/M.Weiss
例如，团队的模拟不包括活动星系核(AGN)所扮演的角色。在更大的星系中，气体和尘埃聚集在中心超大质量黑洞(SMBH)的核心，这导致气体和辐射被喷射到巨大的喷射流中。最近一些研究表明，这可能对星系中恒星形成有一个引人注目的影响。然而，对遥远年轻星系的观察显示了在团队模拟中观察到的现象证据，在这些模拟中，富含气体的岩心导致了蓝色金块阶段。
利用深度学习来研究星系演化，有可能揭示之前未被探测到的观测数据。天文学家没有观测到星系作为时间的快照，而是能够模拟它们在数十亿年的演化过程。深度学习寻找模式，机器可以看到复杂到我们人类看不到的模式。对这种方法做更多的测试，但在这一概念验证研究中，这台机器似乎成功地在数据中发现了在模拟中识别出的星系演化的不同阶段。
在未来，天文学家将有更多的观测数据来分析，这要归功于下一代望远镜的部署，比如大型的天气观测望远镜(LSST)、詹姆斯韦伯太空望远镜(JWST)和广域红外测量望远镜(WFIRST)。这些望远镜将提供更大的数据集，然后通过机器学习方法分析这些数据集，以确定模式的存在。天文学和人工智能，共同致力于更好地理解宇宙，我不知道我们是否应该把它放在寻找万物理论的任务上！
博科园-科学科普｜文：Matt Williams｜来自：Universe Today｜参考：UCSC, Astrophysical Journal
