本次事情的研究方法与成果，对探索星系如何形成和蜕变供应了新的研究办法，也充分显现了人工智能在天文海量数据中探寻微弱旗子暗记的广泛运用潜力和前景。
研究凉气体和尘埃对理解星系形成和蜕变至关主要，想要研究凉气体和尘埃须要探针。
早期宇宙的星系离我们太迢遥，无法将星系自身发的光作为探针来不雅观测并研究凉气体和尘埃。
然而，宇宙中比星系要亮百倍以上的类星体所发出的光，在经由宇宙早期星系时会被个中的气体和尘埃接管，产生类星体的接管光谱。
个中，中性碳的接管光谱可以帮助天文学家准确跟踪凉气体运行，因此，中性碳接管体成为研究星系形成和蜕变的主要探针。

艺术想象图。
研究团队供图

据研究团队阐明，中性碳原子基态的风雅构造能级差别很小，中性碳接管线的旗子暗记微弱且极其稀少，须要在海量的类星体光谱数据中才能找到，犹如大海捞针。
利用传统的征采方法须要耗费大量韶光，找到的假旗子暗记较多，又很随意马虎漏掉一些微弱旗子暗记。

为理解决这一问题，研究团队通过利用人工智能的深度学习方法，设计神经网络，天生基于实际不雅观测的中性碳接管线特色的大量仿真样本去演习深度学习神经网络，并利用这些被“演习好”的深度学习神经网络，在斯隆巡天三期开释的大量数据中，征采中性碳接管体。
通过这样的办法，研究团队很快创造了极其稀少的107例宇宙早期星系内的凉气体云块身分的关键探针——中性碳接管体。
本次得到的样本数是此前得到的最大样本数的近两倍之多，并且成功探测到了更多比以前更微弱的旗子暗记。

“此前已知的中性碳接管线的样本数很少，无法直策应用这么小的样本对深度学习神经网络进行充分演习。
”葛健指出，“与此同时，须要探测的两条中性碳特色接管线不仅微弱，还分布在诸多的强接管线中间，神经网络很随意马虎在演习中被强接管线误导，产生演习偏差，从而影响到探测出真正的中性碳特色接管线的灵敏度。
”

研究团队采取了创新的方法演习人工智能，使深度学习神经网络的探测精度达到了99.8%，探测完备性也显著提升了约30%，达到了99%的完备性。
研究团队提到，这种人工智能的演习和征采办法大大缩短了征采韶光，提高了探测灵敏度和对微弱旗子暗记探测的完备性。

差异于韦伯太空望远镜通过星系发射光谱来研究，本次事情中，研究团队通过不雅观测类星体的接管光谱来研究早期星系，这将为未来宇宙和星系早期蜕变研究供应了一个全新且有效的研究手段。

“本次事情的打破性创造是人工智能在天文大数据领域运用的一个里程碑。
要想利用人工智能在海量的天文数据中‘挖’到重大新创造，就须要发展创新的人工智能算法，使之能快、准、狠——即快速、准确、完备地探寻到这些很难在传统办法下找到的稀少而微弱的旗子暗记。
”葛健指出，这一创新方法具有在多领域图像识别以及微弱旗子暗记探测中巨大的运用代价和潜力。

任务编辑：梁国胜

来源：中国青年报客户端