( 英文来源/Wired 作者/Sarah Scoles 编译/Xtecher Samuel 鸡排 )

　　天文学家Kevin Schawinski在研究黑洞对星系构成的影响上花了大量时间。面对海量庞杂的数据分析工作，他往往感到束手无策。他尝试利用人工智能技术代替人力分析，却又受限于自己编程知识的不足。

　　正当Schawinski为难之际，他在苏黎世联邦理工学院(ETH Zurich)的同事给了计算机科学家Ce Zhang的联系方式。“你们应该谈一谈”，那名同事说。很快，Schawinski便跟Ce Zhang合作，并将前沿机器学习技术带到天文学研究中来。最近他们发布了第一项成果：一个将望远镜捕捉到的模糊图像变清晰的神经网络系统，以使科学家能够更好地分析图像中的细节。

　　Schawinski跟Zhang的项目仅仅是近年天文学研究技术发展的冰山一角。智能系统在辨认，分类和分析上的工作能力上远胜于人类。在不久的将来，机器学习会成为天文学家最常用的辅助工具之一，而不局限于分析数据这样的幕后工作。

　　在Schawinski和Zhang的初期的研究里，他们用大量的猫科动物照片来训练神经网络，“教”系统辨认猫的特征。经过学习，这套系统很快掌握了技巧并可以迅速还原一张模糊的猫照片。他们命名这套系统为GAN，取自Generative Adversarial Network(生成式对抗网络)的缩写。这套系统由两组对立的神经网络构成。在训练中，一组神经网络会接收一张模糊的天文图像和清晰的原图，并尽力修复模糊的那张，使其接近原图的效果。另一组网络则负责对比修复好的图像与原图，找出两者的区别。除了宇宙的照片以外，研究人员还会让系统给被毁容的人们的照片做“整容手术”。

　　GAN系统揭露了当前的射电望远镜都不够灵敏清晰的事实，尤其在捕捉新生恒星的图像的时候。“我不想把它表现成俗套的‘圣杯’造型”，Schawinski说， “但是在天文学的研究中，你往往想要把图像修复得比实际要好看”

　　当被问到他们下一步打算用神经网络系统做什么的时候，Schawinski对Zhang说“我们还有什么没有公开的吗?“这让我意识到，他们的目的不仅仅是修复天文照片那么简单。他们两人称短期内没有具体的计划(或是他们并不愿意透露)，但长期来看，这些机器学习技术会为军事技术研究所用。Schawinski也认为科学家没必要对深度学习和其他相关计算机科学领域作深入研究，毕竟世界上掌握这种技术的人也不多。

　　与此同时，其他天文学家也在自己的研究工作上应用机器学习。苏黎世联邦理工学院的一些科学家利用人工智能去解决宇宙辐射信号受到干扰的问题。他们训练神经网络去识别并伪装人造无线电干扰信号，例如卫星、机场、无线路由器以及微波炉，进而找到方法去解决信号干扰，帮助天文学家更好地观察黑洞。神经网络的应用不仅局限于新的天文学观察项目。以往的观察数据也可以被重新分析、利用。正如Schawinski所说， “神经网络能帮助我们更好地利用一切数据去了解宇宙。”

　　机器学习使得研究工作更加轻松。以往，天文学家必须艰难地反复搜索一些类似的信号，譬如脉冲星的振动、星系的悬臂、星云的光谱。而现在这些工作都可以交给一套智能系统，让它自己分辨、分析信号，进而确认是否存在这样一个星系。这套系统的研发人Alex Hocking称 “我们不告诉电脑要找什么;我们 “教”它去发现需要找的东西。”

　　早在2012年，研究脉冲星的天文学家们就开发出了初级神经网络并在测试中找出了85%的脉冲星，而一个2016年制造的智能系统则能快速有效地识别出辐射信号的来源。在光学分析方面，一个叫RobERt的神经网络系统能够在数秒内完成科研人员要花几天才能分析好的星体化学成分。尽管听起来很奇怪，但当天文学家们让RobERt去 “猜”星体上的 “水”会是什么样子时，它轻松地做到了。

　　至此，在天文学的一些领域里电脑已经拥有可以超越人类的能力，而且电脑会继续改变其他科技领域，解放科学家的时间和精力，使他们可以投入到更多有趣的课题上来。 “人工智能将要全面进入科研领域” Schawinski说， “这仅仅是一场革命的开始。我们正在见证未来科学研究的剧变。”