下一代望遠鏡功能強大，將能夠掃描數(shù)百萬顆恒星，并生成大量的數(shù)據(jù)，而天文學家將負責利用這些數(shù)據(jù)進行分析。對于天文學家來說，這些數(shù)據(jù)太多了，因而并不能為數(shù)據(jù)篩選或建模帶來益處，所以天文學家們轉向打算利用人工智能對數(shù)據(jù)進行處理。

底線：過去，算法對天文學家們有所幫助，但隨著最近人工智能的發(fā)展，尤其是圖像識別能力的提高以及計算速度的提高、成本的下降，這些技術將會被更多的研究人員所使用。來自佛羅里達海灣大學的天文學家德里克 布西希說：“因為我們無法有效處理這些數(shù)據(jù)流，所以我們必須改變原來的操作模式?！?/p>

舉個例子：智利建造的高達8.4米的鏡望遠鏡（LSST）將在未來10年內，用一部汽車大小的數(shù)碼相機，每隔幾天就對整個南方的天空進行拍攝?？傮w來說，預計它將收集超過5000萬千兆字節(jié)的原始數(shù)據(jù)。

創(chuàng)新點：有些新方法，“5到10年前還不存在，他們的出現(xiàn)或者提高了運算速度，或者提高了運算的精確度，”堪薩斯大學的研究生唐納德?李-布朗說。對此進行粗略分析，結果顯示，在過去的五年中，對機器學習進行研究的天文學論文數(shù)量增加了5倍。

天文學家是如何利用人工智能的：

1）用望遠鏡進行協(xié)調配合

洛斯阿拉莫斯國家實驗室的湯姆?韋特蘭德說，觀測天空的大型望遠鏡將會對“短暫的天象事件”進行觀測——它們是新信號或“夜空作怪”的來源。

其中一些事件——比如伽馬射線暴，被Vestrand稱為“黑洞誕生公告”——持續(xù)時間僅不到一分鐘。在這么短的時間內，它們需要被探測到，被歸類為真實或虛假事件（比如是一架飛過的飛機而已），然后用最合適的望遠鏡對準它們從而進一步進行調查。

有了像LSST這樣的望遠鏡，每天晚上可能會檢測到5萬個短暫事件，同時，世界各地數(shù)百個望遠鏡也會協(xié)同進行工作?！叭斯に俣纫呀涄s不上機器，”韋特蘭德說，“這些工作需要機器對接來完成”。

2）對數(shù)據(jù)進行分析

在兩年的時間內，每隔30分鐘，NASA新型凌日系外行星勘測衛(wèi)星就會傳回近半個天空的全幅照片，為天文學家們提供2000萬顆恒星的信息以便觀察。

“今后關于這些恒星的數(shù)據(jù)將比我們以前了解的總量還要多，”布西說到。接下來，人工智能可以對它進行分類，如果它們有一些相似之處，就把它們組合在一起，然后交給人類去“看看人工智能無法識別的1%”。

當時的想法是，人工智能可以對數(shù)據(jù)進行分類，將有相似之處的數(shù)據(jù)組合在一起，然后交由人類對“人工智能無法識別的1%”進行分析。李-布朗說：“利用神經網絡工具可以獲取恒星的溫度信息或金屬性質，這不僅比我們以前的方法更精確，而且速度也比之前快十億倍?！睓C器學習現(xiàn)利用于對黑洞的研究，用于尋找外行星，并用于對宇宙及其參數(shù)進行建模。布澤西說，在處理數(shù)據(jù)方面，人工智能能夠以始終如一的穩(wěn)定性執(zhí)行任務，而人類想要達到相當?shù)乃绞欠浅＠щy的。

3）用于挖掘數(shù)據(jù)

太空望遠鏡科學研究所的約書亞?皮克說：“所得到的大部分天文學數(shù)據(jù)都被丟棄了，但其中有些數(shù)據(jù)卻蘊含著深層的物理信息，只是我們不知道怎么對其進行發(fā)掘而已?！盤eek說，產生這些美麗的星云圖像之后，其中的信息經常會被丟棄。他正在開發(fā)一種叫做卷積神經網絡的機器學習工具，可以將圖像分類為不同的對象，進而從關于彌散性等離子體和氣體結構中提取特征信息——這是宇宙中大多數(shù)正常物質存在的狀態(tài)。然后，天文學家們就可以研究宇宙中不同結構之間的異同。

一個重要的問題是：“為了發(fā)現(xiàn)仍不知如何描述的東西，你應該如何編寫軟件呢？”Vestrand問道?！皩τ诓粚こＪ录?，有一部分是常見的，但對于那些不常見的異常事件，應該怎么處理呢？”

而這將是真正存在新發(fā)現(xiàn)的地方，因為很明顯，你并不知道它們是什么?！?/p>