以往的筛选方法无法对全部的疑似信号进行区分 。 张松波解释道 ， 疑似信号中掺杂着大量的噪声和人造信号 ， 那些比较明亮的快速射电暴 ， 因为置信度高 ， 得以优先被挑选出来；但剩下的信号 ， 按照传统的方法 ， 只能由有经验的天文学家用肉眼来识别 ， 费时费力 。 而由于挑选出暗弱的信号需要对海量数目的疑似信号进行识别 ， 这显然是一项不可能完成的任务 ， 因此大量的信号被丢弃 。
“机器学习”找到快速射电暴获量级突破
“机器学习”让“大海捞针”成为可能 。 此次研究组引入了机器学习算法 ， 训练残差神经网络对所有疑似信号进行图像识别 。 “机器学习中的残差神经网络是人工神经网络的一个变种 ， 它模拟最基本的生物神经元 ， 将接收到的信号进行分析 ， 并判别信号的种类 ， 就如同人眼一般 。 ”论文第一作者、紫金山天文台高能时域天文团组博士研究生杨轩告诉采访人员 ， 在这一过程中 ， 天文学家需要做的 ， 就是手动标记一批信号作为机器的教科书 ， 教导他们哪些信号是假信号 ， 哪些信号是快速射电暴 。 一旦教学完成 ， 机器就可以代替人眼来对这些信号图片进行识别了 。
【天文|大海捞针！紫台从5亿个疑似信号中找到81个快速射电暴】研究组利用这一方法最终成功找到81例新的快速射电暴 ， 相比以往在相同的观测数据里找到的快速射电暴数目 ， 有着量级上的突破 ， 并且解决了以往对于暗弱快速射电暴的搜寻难题 ， 为大样本、大数据下的数据处理问题提供了解决方法 。
“天文学中的很多信号往往具有复杂的结构 ， 靠人为设置条件筛选已经无法满足日益增长的海量数据 。 机器学习能够从包含复杂干扰的图片中找到来自宇宙的真实信号 ， 极大地加速了我们的研究速度 。 ”张松波说 ， 随着望远镜技术的不断发展 ， 人类接收宇宙中信号的能力越来越强 ， 比如帕克斯望远镜的上一代多波束接收机4年的观测数据就产生了上亿个单脉冲信号 ， 国内现有的高灵敏度望远镜中国天眼（FAST） ， 以及中国正式启动的国际合作项目平方公理阵列望远镜（SKA） ， 必将带来海量的数据 ， 未来的天文观测必将是大数据的时代 ， 人工智能则是最可行的解决方案 。
新华日报·交汇点采访人员 蔡姝雯
推荐阅读
- 天文|2022年首月“天象剧场”排片已就位，你想看哪部？
- 天文|星空有约｜2022年首月“天象剧场”排片已就位，你想看哪部？
- 行星|天文学家发现迄今规模最大的一组星际行星
- 恒星|韦布发射升空 五大天文任务可期
- 天文学|差一点就“太空事故”了！SpaceX星链卫星两度接近中国空间站，后者紧急避让
- 太阳轨道|冬奥会奖牌里 蕴含着古老的天文知识
- 天文学|带领孩子走近科学
- 发射|外媒关注：韦布升空开启天文探索新时代_《参考消息》官方网站
- 天文|史上最强望远镜有望观测135亿年前宇宙
- 天文|青海冷湖国际一流天文观测基地建设迎来春天