|
高效性、自动化、准确性都给人们留下了深刻的印象。
看上去，人工智能也许能够帮助天文学家有效地解决大数据天体物理时代所面临的难题。然而，人工智能真的是万能的么？本文将从目前机器学习的局限性探讨一下机器学习在天体物理中的应用范围。
01 刚需：大数据天体物理时代到来
随着观测技术的发展，天文数据呈指数型增长。例如，著名的斯隆巡天（The Sloan Digital Sky Survey）[1] 开始于2000年，观测到了约300万个天体，数据量大约是40TB。而目前正在运行的暗能量巡天（The Dark Energy Survey）[2]的数据量至少是斯隆巡天的100倍。未来欧洲的欧几里得巡天（Euclid）[3]以及美国的大视场时空巡天（LSST）[4] 则会把数据量推到惊人的50PB和200PB（1PB=1024TB）。
仅仅是可观测星系一种天体的样本数目，就将达到数十亿。因此，以往传统编程加人工处理方式的效率已经不足以应付这样庞大的数据量了。例如，把上百亿的星系按照哈勃星系图表（图1）分类的工作量就多到让人望而却步，这还仅仅是天体物理学研究的基本操作。
也就是说，高效的自动化数据处理将成为刚需。幸好人工智能技术在过去的十几年里有了突飞猛进的发展，比如图样识别技术已经可以快速地把互联网上的图片进行分类。天文学家们受此启发，开始把人工智能领域里的相关技术应用到天文数据的自动化处理中。学家赫伯特·西蒙（Herbert Simon，1975年图灵奖和1978年诺贝尔经济学奖得主）给机器学习下过定义——“机器学习是计算机程序通过摄取数据来自行改进性能的过程”。机器学习和传统程序根本的不同就是编程逻辑：机器学习的理念是归纳法，而传统编程更倾向于演绎法。
例如，如果想用传统编程方法对星系的形状分类，我们需先测量星系的形状参数，然后设定阈值，再根据形状参数和阈值的关系对星系分类；而机器学习的逻辑则是：先建立一个普适的模型，不提供特定参数或阈值，只输入星系图像和归类标签，这个模型就会根据输入的数据自我调整，从而演化成一个可用于星系形状分类的分类器。图2展示了传统程序和机器学习程序工作流程的差异。
（编辑：阜新站长网）
【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!
|
