Deep-CEE：帮助天文学家探索深空的深度学习工具

宇宙中的大多数星系都生活在被称为“场”的低密度环境中，或者生活在小群体中，比如包含我们的银河系和仙女座星系的星系。星系团更为罕见，但它们代表了星系可以生存的最极端环境，研究它们可以帮助我们更好地理解暗物质和暗能量。

在 20 世纪 50 年代，星系团发现的先驱天文学家乔治·阿贝尔花了多年时间通过肉眼寻找星系团，使用放大镜和照相底片来定位它们。阿贝尔手动分析了大约 2,000 张照相底片，寻找星系团的视觉特征，并详细描述了星系密集区域的天文坐标。他的工作导致了在北半球发现的星系团的“阿贝尔目录”。

Deep-CEE 以 Abell 识别星系团的方法为基础，但用经过训练的 模型取代了天文学家，该模型经过训练可以“查看”彩色图像并识别星系团。它是一种基于神经网络的最先进模型，旨在模仿人脑在可视化独特图案和颜色时通过激活特定神经元来学习识别物体的方式。

Chan 通过反复向 AI 展示图像中已知的、已标记的对象示例来训练 AI，直到该算法能够学会自行关联对象。然后进行了一项试点研究，以测试该算法在包含许多其他天文物体的图像中识别和分类星系团的能力。

“我们已经成功地将 Deep-CEE 应用于斯隆数字巡天，”Chan 说，“最终，我们将在革命性的巡天中运行我们的模型，例如大型天气巡天望远镜 (LSST)，它将更广泛、更深入地探测宇宙区域以前从未探索过。

新的最先进的望远镜使天文学家能够比以往任何时候都更广泛和更深入地观察，例如研究宇宙的大尺度结构并绘制其大量未被发现的内容。

通过自动化发现过程，科学家可以快速扫描图像集，并以最少的人工交互返回精确的预测。这对于将来分析数据至关重要。即将进行的 LSST 巡天(将于 2021 年上线)将对整个南半球的天空进行成像，估计每晚产生 15 TB 的数据。

“深度学习等数据挖掘技术将帮助我们分析现代望远镜的巨大输出”，John Stott 博士(Chan 的博士生导师)说。“我们希望我们的方法能够找到科学界从未见过的数千个星团。”

远距离观鸟：令人惊叹的新型 摄像头系统可针对特定行为

生物记录是一种涉及将小型轻型摄像机和/或其他数据收集设备安装到野生动物身上的技术。然后，该系统允许研究人员以最小的干扰观察该动物生活的各个方面，例如它的行为和社会互动。

然而，到目前为止，这些高成本生物记录系统所需的相当长的电池寿命已被证明是有限的。“由于附着在小动物身上的生物记录器必须小巧轻便，它们的运行时间很短，因此很难记录有趣的罕见行为，”研究通讯作者 Takuya Maekawa 解释道。

“我们开发了一种新的配备人工智能的生物记录设备，使我们能够根据来自加速度计和地理定位系统 (GPS) 等低成本传感器的数据自动检测和记录感兴趣的特定目标行为。” 然后，低成本传感器将高成本传感器(例如摄像机)的使用限制在它们最有可能捕获特定目标行为的时间段内。

将这些系统与机器学习技术结合使用，可以将昂贵传感器的数据收集直接集中在有趣但不常见的行为上，从而大大增加检测到这些行为的可能性。

新的人工智能辅助摄像机系统在日本沿海岛屿的自然环境中对黑尾鸥和条纹海鸥进行了测试。“与随机抽样方法相比，新方法对黑尾鸥觅食行为的检测提高了 15 倍，”主要作者 Joseph Korpela 说。“在条纹海鸥中，我们应用了基于 GPS 的人工智能系统来检测这些鸟类的特定局部飞行活动。基于 GPS 的系统的精度为 0.59——远高于涉及切换的周期性采样方法的 0.07摄像头每 30 分钟打开一次。”

未来使用配备的生物记录器有许多潜在的应用，尤其是系统本身的进一步发展。“这些系统具有广泛的可能应用，包括使用反偷猎标签检测偷猎活动，”前川说。“我们还预计这项工作将被用来揭示人类社会与传播冠状病毒等流行病的野生动物之间的相互作用。”