【知道SET】机器学习-宇宙探秘的机器之心

本集主题：机器学习-宇宙探秘的机器之心

主讲人：方圆

所在单位：云南大学中国西南天文研究所

幼时我仰望缀满繁星的夜空时，经常好奇地想到，夜空中那些数也数不清的星星，到底来自哪里，又隐藏着多少秘密？自古至今，人类一直被这璀璨而深邃的星空所深深吸引，不断地探索着这浩瀚无垠的宇宙。然而，宇宙中存在的物质难以计数，人力有时穷，我们又怎样乘着科技的航船，尽可能多的了解这宇宙的秘密？

这就是我今天想要跟大家分享的话题：天文研究中的机器学习初探

天文数据之“大”

随着人类社会的科学和技术的不断进步，特别是望远镜、探测器等观测设备，信息与计算科学技术的不断发展，如今，天文研究者们能够观察到更深、更遥远、更广阔的宇宙，同时，获取到的天文数据呈现指数增长。特别是近年来，随着世界上多项大型数字巡天项目的相继启动，天文数据的数量、维度与复杂性都达到了空前的量级，且一直在快速增长。例如国家重大科技基础设施郭守敬望远镜(LAMOST)巡天已经产出近千万量级的天体光谱，智利建造的高达8.4米的天文望远镜（LSST）将在未来10年内，预计将收集超过5000万千兆字节的原始数据。

哈勃太空望远镜自1990年开始运行，已经完成了130多万次观测，每周传输大约20 GB的原始数据。国家重大科技基础设施郭守敬望远镜(LAMOST)巡天已经产出近千万量级的天体光谱，智利建造的高达8.4米的天文望远镜（LSST）预计每晚会产生2 TB（2048 GB）的原始数据，在未来十年的运行中收集到的数据总量约为60PB。1GB大概是我们从网上下载一部电影的数据量，1PB足够存储整个美国人口的DNA，而且还能再克隆2倍。现在，用于天文研究的数据量已经太过巨大，且还在不断地迅速增长，更不用说以往巡天中的档案数据，已不可能单靠人眼进行分析。

为什么需要机器学习？

在海量的数据面前，许多传统天文研究中需要人工完成的工作，人力已然杯水车薪。在计算机科学中，“大”数据，不仅仅是指体量，它们往往还具有多样性和快速增长。它们往往还具有多样性，同时增长速度又很快。天文大数据是以不同格式呈现的海量数据（例如图像、光谱和时间序列数据），而且还必须以一种很及时的方式快速处理。例如，天文瞬变源事件的证认与识别问题。

什么是瞬变源呢？其实之前的节目中有提到过，它是指：一种偶发的，短暂的，非周期性的天文现象。我们常听到的超新星、伽马射线暴以及引力波事件等都是瞬变源事件。比如伽马射线暴，持续时间仅不到一分钟。这种极高能量的短时大爆发为我们研究极端物理环境下的物理现象提供了难得的观测条件。

在这么短的时间内，瞬变源需要被探测到，被归类为真实或虚假事件，然后选取相应的望远镜对准目标进行追踪观测才能被证认。在以往传统工作中，天文学家往往是通过人眼识别的方法，对观测图像进行逐帧识别。现如今，新一代的瞬变源观测设备具有大视场，也就是单位时间内能观测到更大的天区和高时间分辨率，即对同一天区的高回访观测频率的特性，使得人们能够一次扫描数百万颗恒星，例如LSST这样的望远镜，每天晚上可能会检测到5万个暂现源事件，同时，世界各地数百个望远镜也会协同进行工作。

拍摄黑洞照片的 “事件视界望远镜”

在这样的巨大的工作量下，原先的传统人工识别显然很难胜任大数据时代的瞬变源识别与证认。同样，在很多其他的天文研究问题中，传统的数据筛选和建模也很难适用于大数据的应用场景中。面对天文大数据时代的来临，传统的天文学研究越来越多地寻求与计算机技术的融合，逐渐转向自动化、智能化的天文观测与研究。天文学家开始越来越多地借助于计算机技术对数据进行快速地处理、分析与挖掘。同时，作为一个数据密集型科学，天文学研究逐渐转化为一门数据驱动的科学，也为机器学习提供了表演的舞台。

机器学习能为天文学研究做什么？

作为目前最炙手可热的人工智能关键词，机器学习频繁地出现在各个领域的头版头条里。机器学习的核心是“使用算法解析数据，从中学习，然后对世界上的某件事情做出决定或预测”。也就是说，机器学习是一门研究“学习算法”的学问。目前主要的机器学习有三种类型：监督学习、非监督学习和强化学习，所有这些类型都有其特定的优点和缺点。

监督学习（supervised learning）是对具有标签（类别）的训练样本进行学习，以尽可能对训练样本集外的数据进行标记（分类）预测的方法，概括来说，就是给定数据，预测标签。监督学习主要用于解决分类和回归问题。分类算法得到的是一个决策面，用于对数据集中的数据进行分类，问题的输出是离散数据，也就是分类的标签，例如判断一幅图片上的动物是一只猫还是一只狗。回归算法得到的是一个最优拟合线，这个拟合线可以最好地接近数据集中的各个点，因此回归问题通常是用来预测一个连续值，如预测房价、未来的天气情况等等。作为机器学习的拿手好戏，监督学习在机器学习中有众多的算法和模型，例如神经网络，决策树，感知向量机，贝叶斯分类器，随机森林等，广泛应用在如星系及各类天体的分类问题，以及时间序列分析，谱线分析等回归问题中。

非监督学习（unsupervised learning）问题指的是，在未加标签的数据中，试图找到隐藏的结构。在众多的星系中研究和分析星系的子结构，就需要用到机器学习中的聚类算法等非监督学习模型。

强化学习（Reinforcement Learning）是机器学习的范式和方法论之一，用于描述和解决智能体在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。强化学习算法的目标是训练机器来做出各种特定行为。它的学习过程是：机器被放置在一个特定环境中，在这个环境里机器可以持续性地进行自我训练，而环境会给出或正或负的反馈。机器会从以往的行动经验中得到提升并最终找到最好的知识内容来帮助它做出最有效的行为决策。在天文领域中，强化学习算法被用于对大型巡天项目的观测策略进行优化和生成，以帮助科学家们他们能够尽可能有效地收集数据。

当然，任何一种算法都具有其特定的优势与缺陷，如何针对特定的数据类型，特定的问题目标，选择合适的算法及模型，又如何调整合适的参数，使模型具有良好的性能，就要看所提出的机器学习模型的鲁棒性和泛化能力，文中“鲁棒”的英文是robustness，在机器学习算法中，鲁棒性意味着算法的输出结果不应受到模型中存在的数据扰动、噪声等的太大影响，通常来说就是指模型的健壮性。泛化能力是意味着对机器学习方法训练出来的某个模型,除了在已知的数据(训练集)性能表现良好,对于未知的数据(测试集)也应该表现良好的效果，通俗来讲泛化能力就是指学习到的模型对未知数据的预测能力。如何得到鲁棒性高，泛化能力强的模型将是机器学习在天文数据中发挥作用的关键技术问题。

机器学习不是万能的

机器学习为天文学研究的重要工具，在天文大数据时代，极大地推进了人们对宇宙的了解，我们利用机器学习，使人们有机会从海量的数据中挖掘数据中蕴含着深层的物理信息，验证之前需要海量数据统计结果才能验证的理论，并且能够高效准确地完成大部分重复繁琐的人力劳动，使人们能够站在更高的层面专注于更重要的问题。尽管机器学习具有令人惊喜的潜力，然而机器学习并不是万能的，将机器学习引入天文领域中的应用也只是刚刚起步，还远远未达到高峰期，但有很多天文学家预言，机器学习将在天文领域中发挥重要作用，也许会变得像望远镜那样重要。

正如我们对宇宙的认识，是在不断发展的，只有了解得多，才更有可能接近宇宙的真相。甚至有一天，我们构建的算法能够描述天文数据所表达的宇宙，而答案却远远超出了我们的认知和理解。如今的宇宙，对我们来说依旧蒙着神秘的面纱，有数不胜数的未解之谜，我想，这也许是身处于一个渺小的星球的我们，却一直好奇于整个宇宙，不断探索它的原因所在。

栏目简介

知·道SET(Science,Education,Time)是一档综合科普栏目，内容包含天文、数学、物理、化学、地球、生命等学科，提供多视角，跨学科的科普内容，让更多人提升对科学的认知和兴趣。发现新知的同时，以科学的态度看懂身边事。

关注我们/收听节目

喜马拉雅FM搜索：知道SET

微博/微信搜索：知道朝歌文化