名為“深度學習”的機器學習方法被廣泛應用于人臉識別以及其他圖像和語音識別應用程序，該方法在幫助天文學家分析星系圖像及了解它們如何形成和演變方面展示了潛力。

在一項新研究中，科研人員使用計算機模擬星系的形成來訓練深度學習算法，該算法隨后被證實在分析來自哈勃空間望遠鏡（HubbleSpaceTelescope）的星系圖像方面表現異常出色。這項研究的成果已發表在《天文物理期刊》（AstrophysicalJournal）上。

科研人員利用來自模擬的輸出結果生成被模擬星系的模擬圖像，就像使用哈勃空間望遠鏡對其進行觀測時看到的一樣。模擬圖像被用于訓練深度學習系統，使其能夠識別之前在模擬中確定的星系演變的三個關鍵階段。科研人員隨后為該系統提供大量真實的哈勃圖像用于分類。

結果表明，神經網絡對模擬星系和真實星系的分類具有高度一致性。“我們并沒有指望它會如此成功。我對它的強大能力感到吃驚，”參與研究的喬爾·普里馬克（JoelPrimack）說道，他是加利福尼亞大學圣克魯斯分校（UCSantaCruz）物理學榮譽教授兼圣克魯斯粒子物理研究所（SantaCruzInstituteforParticlePhysics，SCIPP）成員。“我們知道模擬存在局限性，因而我們不想發表太過確定的主張，但我們不認為這只是好運氣的意外收獲。”

星系是復雜的現象，其外觀會在數十億年的演變過程中改變，而星系圖像只能提供其在各個時間點的快照。天文學家可以更深入地觀察宇宙，從而“回到過去”查看早期的星系（因為光在宇宙距離上傳播所需的時間），但跟蹤單個星系隨時間演變的過程卻只能通過模擬實現。將模擬的星系與觀測到的星系進行比較可以揭示真實星系及其可能歷史的重要細節。

1、藍核

在這項新研究中，科研人員對富含氣體的星系的早期演變模擬中發現的以下現象尤其感興趣：當大量氣體流入星系的中心時，星系的中心會形成一個小而密集的恒星形成區域，稱為“藍核”。年輕、熾熱的恒星會發出“藍色”短波長光，因此藍色表示具有活躍恒星形成的星系，而較為衰老、溫度較低的恒星則會發出更多的“紅色”光。

計算機程序在模擬數據和觀測數據中都有以下發現：“藍核”階段只在質量屬于特定范圍的星系中發生。中心區域的行星形成隨后會平息，帶來緊湊的“紅核”階段。質量范圍的一致性是令人興奮的發現，因為它表明深度學習算法正在自行確定真實星系中發生的重要物理過程的模式。

“這有可能是因為，在一定的大小范圍內，星系剛好具有讓這一物理過程發生的質量，”加利福尼亞大學圣克魯斯分校天文學和天體物理學榮譽教授戴維·庫（DavidKoo）說道。

科研人員使用了由普里馬克和國際協作者團隊開發的最先進的星系模擬（VELA模擬），這些協作者包括運行模擬的丹尼爾·塞韋里諾（DanielCeverino，海德堡大學）和領導模擬的分析和解釋并據此發展出新物理概念的艾維沙·德克爾（AvishaiDekel，希伯來大學）。但是，所有此類模擬在捕獲星系形成的復雜物理特性方面均能力有限。

需要特別指出的是，本研究中使用的模擬不包括來自活躍星系核（galacticnuclei）的反饋（中心超大質量黑洞吸收氣體時，通過輻射注入能量）。許多天文學家認為這一過程是調節星系中恒星形成的重要因素。盡管如此，對遙遠、年輕星系的觀測似乎表明存在相關證據，可證實模擬中看到的導致藍核階段的現象。

2、CANDELS

對于觀測數據，該團隊使用了通過CANDELS項目（宇宙近紅外超深空組合河外星系遺產巡天，CosmicAssemblyNear-infraredDeepExtragalacticLegacySurvey）獲得的星系圖像。該項目是哈勃空間望遠鏡有史以來規模最大的項目。第一作者馬克·韋爾塔斯-孔帕尼（MarcHuertas-Company）是巴黎天文臺（ParisObservatory）和巴黎第七大學（ParisDiderotUniversity）的天文學家，他已經完成了使用公開可用的CANDELS數據將深度學習方法應用于星系分類方面的開創性工作。

CANDELS合作研究員庫邀請韋爾塔斯-孔帕尼訪問加利福尼亞大學圣克魯斯分校來繼續這項工作。谷歌通過向庫和普里馬克提供研究基金捐贈，為他們在天文學方面的深度學習工作提供支持，這讓韋爾塔斯-孔帕尼得以在圣克魯斯度過兩個夏天，并計劃在2018年的夏天再次來訪。

“這個項目只是我們幾個想法中的一個，”庫說道。“我們想要挑選一個理論學家可以基于模擬明確定義的過程，并且這個過程應該與星系的外觀有一定關系。然后，我們會讓深層學習算法在觀測中找到這一過程。我們剛剛開始探索這種新的研究方法。這是將理論和觀測融合的新方法。”

多年來，普里馬克一直與加利福尼亞大學圣克魯斯分校的庫和其他天文學家密切合作，將其團隊對星系形成和演變的模擬與CANDELS的觀測結果進行比較。“VELA模擬在幫助我們理解CANDELS的觀測結果方面取得了很多成功，”普里馬克說道，“盡管沒有人擁有完美的模擬，但隨著我們繼續這項工作，我們將不斷開發出更好的模擬。”

庫表示，深度學習算法具有揭示觀測數據中人類無法看到的方面的潛力。缺點在于該算法就像一個“黑匣子”，因而很難知道計算機使用數據的哪些特征進行分類。但網絡詢問技術可以確定圖像中的哪些像素對分類貢獻最大，科研人員已在其網絡中對其中一種方法進行了測試。

“深度學習技術會尋找模式，而計算機可以發現因復雜程度太高而導致人類無法發現的模式，”庫說道。“我們想要對這種方法進行更多測試，但在目前的概念驗證研究中，計算機似乎成功地在數據中發現了模擬中確定的星系演變的不同階段。”

他表示，在未來，由于大型巡天項目和新望遠鏡（例如大型綜合巡天望遠鏡[LargeSynopticSurveyTelescope]、詹姆斯·韋伯空間望遠鏡[JamesWebbSpaceTelescope]和廣域紅外巡天望遠鏡[Wide-FieldInfraredSurveyTelescope]）的存在，天文學家將擁有更多可供分析的觀測數據。深度學習和其他機器學習方法可成為理解這些海量數據集的強大工具。

“這是在天文學中使用高級人工智能的激動人心的階段的開端，”庫說道。