面對海量的天文數據，人工智能可以大顯身手。中國科學院上海天文台研究員葛健帶領的國際團隊通過人工智能深度學習方法，在國際斯隆數字巡天項目第三期釋放的類星體光譜數據中，成功“挖寶”。

5月15日，國際天文學權威期刊《皇家天文學會月報》刊登了相關研究成果。

研究過程藝術示意圖。（中國科學院上海天文台供圖）

據葛健介紹，宇宙冷氣體和塵埃中的“中性碳吸收體”，是研究星系形成和演化的重要探針。但中性碳吸收線的信號微弱且極其稀少，需要在海量的類星體光譜數據中才能找到，使用傳統的搜尋方法耗時費力，如同“大海撈針”。

研究團隊通過使用人工智能的深度學習方法，設計神經網絡，生成基於實際觀測的中性碳吸收線特征的大量仿真樣本，去訓練深度學習神經網絡，並使用這些被“訓練好”的深度學習神經網絡，在國際斯隆數字巡天項目第三期釋放的數據中搜尋“中性碳吸收體”。

通過這一創新方法，研究團隊很快發現了107例宇宙早期星系內的冷氣體雲塊有“中性碳吸收體”。這一樣本數是此前獲得的最大樣本數的近兩倍，且探測到了更多比以前更微弱的信號。

發現了這麼多冷氣體的“中性碳吸收體”，研究團隊把這些光譜疊加到一起，極大提高了探測各種金屬元素豐度的能力，並能直接測量塵埃吸附導致的部分金屬豐度缺失。

研究結果表明，早在宇宙隻有約30億年的年齡時（宇宙現在的年齡為約138億年），這些攜帶“中性碳吸收體”探針的早期星系，已經過了快速物理和化學演化，進入了介於大麥哲倫矮星系和銀河系之間的物理和化學演化狀態，產生了大量的金屬，同時部分金屬被吸附到塵埃上，產生觀測到的“塵埃紅化”結果。

“我們這一發現，獨立驗証了近期詹姆斯·韋伯太空望遠鏡首次在宇宙最早的恆星中，探測到類似鑽石的碳塵埃的新發現，預示部分星系的演化比預期要快得多，這將對現有的星系形成和演化模型形成挑戰。”葛健說。

業內專家認為，此項研究是人工智能在天文大數據領域應用的一次重要突破。人工智能深度學習方法，在多領域圖像識別以及微弱信號探測中，具有巨大的應用價值和潛力。未來，有望在海量的天文數據中挖到更多的“寶貝”。（記者張建鬆）

分享讓更多人看到