面对海量数据 上海天文学家通过人工智能“挖”到重要发现

图说：研究过程艺术示意图 来源/中国科学院上海天文台

面对海量的天文数据，人工智能成为天文学家的得力帮手。中国科学院上海天文台研究员葛健带领的国际团队通过人工智能深度学习方法，在国际斯隆数字巡天项目第三期释放的类星体光谱数据中，“挖”到重要发现。

葛健介绍，宇宙冷气体和尘埃中的“中性碳吸收体”，是研究星系形成和演化的重要探针。可中性碳吸收线的信号微弱且稀少，需要在海量的类星体光谱数据中才能找到。使用传统的搜寻方法耗费时间，同时搜寻到的假信号较多，还容易遗漏一些微弱信号。

研究团队通过使用人工智能的深度学习方法，设计神经网络，生成基于实际观测的中性碳吸收线特征的大量仿真样本，去训练深度学习神经网络，并使用这些被“训练好”的深度学习神经网络，在国际斯隆数字巡天项目第三期释放的数据中搜寻“中性碳吸收体”。

通过这一创新方法，研究团队很快发现了107例宇宙早期星系内的冷气体云块有“中性碳吸收体”。这一样本数是此前获得的最大样本数的近两倍，且探测到了更多比以前更微弱的信号。

发现了这么多冷气体的“中性碳吸收体”，科研人员把这些光谱叠加到一起，极大提高了探测各种金属元素丰度的能力，并能直接测量尘埃吸附导致的部分金属丰度缺失。

研究结果表明，早在宇宙只有约30亿年的年龄时（宇宙现在的年龄为约138亿年），这些携带“中性碳吸收体”探针的早期星系，已经过了快速物理和化学演化，进入了介于大麦哲伦矮星系和银河系之间的物理和化学演化状态，产生了大量的金属，同时部分金属被吸附到尘埃上，产生观测到的“尘埃红化”结果。

“我们这一发现，验证了近期詹姆斯·韦伯太空望远镜首次在宇宙最早的恒星中，探测到类似钻石的碳尘埃的新发现，预示部分星系的演化比预期要快得多，这将对现有的星系形成和演化模型形成挑战。”葛健说，区别于詹姆斯·韦伯太空望远镜通过星系发射光谱来开展研究工作，该工作通过观测类星体的吸收光谱来研究早期星系，这将为未来宇宙和星系早期演化研究提供全新的研究手段。

天文学家认为，要想使用人工智能在海量的天文数据中“挖”到新发现，就需要发展创新的人工智能算法，使之能够快速地、准确地、完备地探寻到这些很难在传统方式下找到的稀少而微弱的信号。

15日，研究成果发表在国际学术期刊《皇家天文学会月报》（MNRAS）上。

新民晚报记者 郜阳