人工智能在发现爆炸恒星方面占据主导地位

Bright Transient Survey 机器人项目可以借助机器学习快速识别超新星。

使用 AI 创建的图像

Gailleo会怎么做？

一组科学家和天文学家成功地利用人工智能和机器学习来识别超新星的发生并对其进行分类。这是对明亮瞬态巡天 (BTS) 机器人项目的测试，该项目是一个更广泛的计划的一部分，该计划对超过特定亮度水平的超新星进行观察和分类。

BTSbot背后的团队表示，它可以让人类中间人不再确认检测到的事件是否是爆炸的恒星，从而使研究人员有更多时间来分析这一天体事件。该机器人于上周推出，由私立研究型西北大学的学生和教师负责。

西北大学助理教授Adam Miller说：“这代表着向前迈出的重要一步，因为模型的进一步完善将使机器人能够隔离恒星爆炸的特定子类型。最终，将人类从循环中移除可以为研究团队提供更多时间来分析他们的观察结果并提出新的假设来解释我们观察到的宇宙爆炸的起源。”

一些人对被人工智能取代表示担忧，并抵制消除“人类中间人”的想法，但Miller表示目标是效率。

“自 2018 年该项目首次启动以来，我们就一直在这样做，”项目联合负责人兼天文学研究生Nabeel Rehemtulla告诉记者。“所以我们现在拥有数以万计的超新星，我们可以对其进行训练和构建模型，并使这个过程自动化。”

在这张来自加利福尼亚州帕洛玛天文台的“第一光”图像中可以看到马头星云。

图片：加州理工学院光学天文台

超新星是恒星爆炸，释放出大量能量，短暂地超越整个星系。当恒星耗尽其核心的核燃料并导致灾难性的崩溃时，就会发生这种情况。

兹威基瞬变设施(ZTF)位于加利福尼亚州圣地亚哥的帕洛玛天文台，以天文学家弗里茨·兹威基 (Fritz Zwicky) 的名字命名，于 2018 年成立，旨在快速识别这些宇宙事件。

BTSbot 项目团队由 Rehemtulla 和 Miller 领导，成员包括来自西北大学、加州理工大学、利物浦约翰摩尔斯大学和明尼苏达大学的成员。

在训练 AI 模型时，Rehemtulla 向算法提供了来自 16,000 个来源的超过 140 万张历史图像。这些来源包括已确认的超新星、暂时耀斑恒星、周期性变星和耀斑星系。

Rehemtulla 解释说，每年大约有 1,300 到 1,400 颗超新星爆发，产生大量可供分析的数据。他说，明亮瞬态测量测量任何来来去去、变亮和变暗的事物，并且是一次性事件。

“为模型提供干净且具有代表性的训练集非常重要，”Rehemtulla 说。“所以我们首先回顾一下哪些超新星或哪些其他物体最初通过了 BTS 过滤器。”

Rehemtulla解释说，通过这样做，很容易排除非超新星的天体事件。

仙女座星系的新合成图像是由帕洛玛天文台捕获的三个可见光波段组合而成。

图片：ZTF/D。戈德斯坦和 R. 赫特（加州理工学院）

BTSbot 集成到观测门户中，使天文学家可以看到模型产生的分数，这样他们就可以轻松地看到模型正在做什么。Rehemtulla补充说，加州理工学院的研究人员致力于整合，确保一旦人工智能发送请求，人类就不会发送重复的请求。

他说，“所以我们可以回顾一下过去五六年里每天晚上发生的 50 件事。这些就是我们用于训练集的样本，基本上是过去五六年人类审查过的所有内容。”

Rehemtulla 表示，尽管该项目取得了成功，但也遇到了一些障碍，主要是审查和检查图像并确保它们具有高质量，从而导致 BTSbot 的发布出现短暂延迟。

他说：“有很多事情延迟了开发，其中之一是建立一个足够大的训练集供模型学习，但要保持干净。你不想只是把我们的所有东西都投入其中。”望远镜曾经探测到过，并开始在里面放一堆垃圾。”

随着人工智能变得越来越普遍，该技术正在进入多个研究领域，包括癌症治疗、军事防御和教育。尽管人工智能对社会的未来充满希望，但专家警告说，该技术仍然表现出一些令人不安的习惯，包括偏见、种族主义和谎言。

Rehemtulla还表示，在天文学中使用人工智能时需要谨慎，并承认人工智能模型可能形成选择偏差，这将威胁人工智能模型识别其他星系天体的持续准确性。

“我们找到了超过 99% 的问题，所以实际上我们并不太担心，”他说。“将人工智能应用于天文学的人们需要考虑的是，我们在研究中存在什么样的偏见？”