美国能源部SLAC国家加速器实验室和斯坦福大学(Stanford University)的最新研究首次表明，人工智能神经网络能够可以准确地分析引力透镜(gravitational lenses)的复杂畸变，且速度比传统方法快1,000万倍。科学家表示，过去需要数周到数个月才能完成，且需要专家和高端计算设备的分析工作，通过神经网络将能在几分之一秒内以完全自动的方式完成。
“原则上，这些复杂的计算工作还能在手机芯片中完成。”参与该研究的博士后研究员Laurence Perreault Levasseur说。这项研究稍早前已发表在《自然》期刊中。
该研究由斯坦福大学的Kavli粒子天体物理与宇宙学研究所(KIPAC)和SLAC国家加速器实验室共同进行，他们使用神经网络分析强引力透镜的图像──引力透镜是爱因斯坦广义相对论所描述的一种现象。当光经过遥远星系、星系团及黑洞等具有巨大引力的天体附近时，会像通过凸透镜一样发生弯曲，称为引力透镜效应。根据光线变化在光谱外波段呈现的不规则程度，可以推算发光星系的年龄和距离。
图：KIPAC科学家使用人工智能神经网络来分析时空中的复杂失真，称之为引力透镜。该方法比传统分析快1,000万倍。(Greg Stewart / SLAC国家加速器实验室)
这种分析迄今都是非常冗长的过程，需要大量的计算器模拟以进行比较，单一透镜的计算可能就需要几周甚至几个月之久。但是，利用神经网络，研究人员能够在几秒钟内完成相同的分析，他们利用NASA的哈勃望远镜和仿真实验室的真实图像进行了演示。
为了训练神经网络寻找的能力，研究人员展示了约一百万个引力透镜的仿真图像信息。经过训练后，神经网络能够以几乎瞬时的精确度做分析。
研究人员称测试中的神经网络将“为未来的数据洪流做好准备”。
KIPAC的NASA哈勃望远镜博士后研究员，同时也是该研究论文作者之一的Yashar Hezaveh表示，目前他们正在测试三个公开的神经网络和一个他们自行开发的神经网络，旨在确定每个透镜信息属性，包括其质量分布，以及背景星系影像放大了多少倍。
能够快速，全面自动化地筛选大量数据和进行复杂分析的能力，对未来的天文学研究相当重要。Perreault Levasseur表示，目前没有足够的人力能及时分析所有这些数据。而神经网络将帮助研究人员识别对象并快速地进行分析。
图：具有数百层计算单元的人工智能神经网络，每个图层搜索输入图像中的某些特征(左边)，最后一层提供了分析结果。研究人员使用了特定类型的神经网络，称为卷积神经网络，其中每层的独立计算单元(神经元，灰色球体)也被组织成将原始图像信息捆绑成更大计算单位的二维平面。(来源：Greg Stewart / SLAC国家加速器实验室)
神经网络模拟人类人类大脑的密集网络以迅速处理和分析信息。在人工智能神经网络中，“神经元”是与正在分析的图像的像素相关联的单个计算单元。神经元可深达数百层，每个图层均搜索图像中的特征。一旦第一层已经找到某个特征，便将信息传输到下一层，然后搜索该特征中的另一个特征，依此类推。
“令人惊讶的是，神经网络自行学习了需要寻找的功能，”KIPAC的科学家Phil Marshall说，他同时是此次论文的共同作者。“这与小孩子学会识别对象的方式是一样的，你不必告诉他们什么是狗，只需要向他们展示狗的照片。即可”
在这种情况下，Hezaveh则形容道：“神经网络不仅能从一堆照片中挑选出狗的照片，还返馈了有关狗的体重、身高和年龄等信息。”
研究人员透露，尽管KIPAC的科学家是在斯坦福研究计算中心的Sherlock高性能计算集群上进行测试，但他们也能在笔记本计算机，甚至手机上完成计算。事实上，他们测试的神经网络之一就是设计用于在iPhone上运作的。
一位任职于KIPAC的教师Roger Blandford指出，过去神经网络曾被应用在天体物理学之中，但结果并不理想。不过，和最新的图形处理单元或GPU结合的新算法可以产生更快速和可靠的结果。未来这将成为天体物理学等领域处理更多数据分析的理想方法。
该文观点仅代表作者，本站仅提供信息存储空间服务，转载请注明出处。若需了解详细的安防行业方案，或有其它建议反馈，欢迎联系我们。
