看人工智能 如何发现夜空中最亮的星

  辨认“引力透镜”,AI建功了

  论文显现,伯克利实验室树立的深度学习AI结构CosmoGAN,能够剖析引力透镜与暗物质的相关。它能够创建高保真、弱引力透镜收敛图。

  神经网络的进步供给了机会。伯克利实验室领导的团队引进一种“生成性对立网络(GANs)”。研讨者穆斯塔法说:“也有其他深度学习方法能够从许多图画中得到收敛图,但与竞争方法比较,GANs生成十分高分辨率的图画,一起仍有神经网络的高效率。”

  CosmoGAN不是唯一取得发展的地理学深度学习神经网络。比方多伦多大学运用深度学习技能解析月球陨石坑的卫星图画,P8超级核算机的神经网络在只是几个小时内发现6000个新的陨石坑,是曩昔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-香槟分校运用深度学习来勘探和剖析黑洞碰撞的引力波。AI在地理学遍地开花。

  曩昔几年里,地理范畴的大多数方向都在测验运用人工智能。考虑到地理学要处理的数据之多,这是一个很自然的思路。让机器操练去剖析蛛丝马迹,不如此,未来的地理学将无法运转。

  比方预计在3年后运行的大口径全天巡视望远镜(LSST)。它巡视南天那一半世界中的370亿个星系,生成一部时长十年的不间断视频。LSST装备的是32亿像素的相机,每晚发生25TB的数据,相当于现在先进地理望远镜一生奉献的一切数据。

  “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。在我国,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……

  数据越来越多,科学家企图聚合它们。但在GPU大会上,罗伯特森说,未来几个大型地理望远镜一同发生大量数据,聚合之后杂乱到人类无法直接运用。而加州大学圣克鲁斯分校的科学家企图处理这个问题。核算机科学系一名博士生创建的Morpheus深度学习结构,能够根据望远镜的原始数据,逐像素地分类天体。

  人工智能使用于人脸辨认,在海量数据练习后,能够依据一张相片,认出这个人化装和年老时候的姿态。而世界中许多图画也可用同样的方法来归类。

  帮地理学家找到另一个太阳系

  在谷歌AI的帮助下,咱们发现了开普勒90i和开普勒80g两颗新行星。也让开普勒90被确以为第一个至少具有8颗行星的外星系。

  NASA和谷歌说,未来新技能将找到更多系外行星。NASA还表明不必担心地理学家失业。NASA的科学家杰西·道特森解释表明,数据供给给神经网络之前,需要地理学家进行分类,以便人工智能能够从中学习剖析出新的信息。

  当然,机器学习也带来“黑盒子”危险:咱们得到了答案,但咱们不知道机器为何如此判别,或许答案是错的。机器也会犯错。地理学家将持续练习和适应它。

  专家点评

  的确,现在人工智能已经深化到了地理天体物理学的各个分支范畴。目前,美国劳伦兹伯克利国家实验室运用深度学习,能够快速依据世界三维密度散布,判别暗物质、暗能量等世界学基本常数,他们发现使用人工智能之后,统计量差错比先前使用传统统计学方法小不少。此外,咱们也运用深度学习在极低信噪比的光谱中寻觅世界早期的氢、碳元素,发现比传统方法也要好用。

  但从物理学家的视点看,根据深度学习的人工智能或许也有其局限性。这种局限性在于它只能根据数据、在已经被定义得十分明确的特定范畴内发挥作用。只能在物理学家的辅导下,把统计量的差错棒做得更小,估计某个量更精准,而目前尚无法辅导咱们发现数据背后的新物理规则。也不具备人类才有的,根据美、对称和简练的“物理直觉”。

  所以说我以为深度学习在地理中使用的实质,目前还局限在做更好的统计和拟合这个方面。

2019-06-15 06:18