在解決了地球上的諸多難題之后，AI的目光又轉向了深邃的宇宙。近日，來自西澳大利亞大學的研究人員們利用深度學習技術，來從紛繁復雜的觀測圖像中識別和發現新的星系，讓AI成為宇宙探索和發現的有力幫手。

隨著大型射電望遠鏡的發展，越來越多太空區域被觀測和收集。如何有效的從如此龐大的觀測數據中發現新的天體成為了擺在天文學家面前的巨大問題，畢竟靠天文學家人工去觀測分析在巨大的數據量面前是幾乎不可能的任務。

深度學習給研究人員們啟發了新的思路。他們基于R-CNN的方法，將計算機視覺中的目標檢測任務遷移到了天文學中的星系識別任務中，取得了良好的效果。

研究人們們開發出了一套名為ClaRAN的系統，將分析射電望遠鏡拍攝到的觀測圖片，從中識別出星系黑洞中放出了強射電模式。

ClaRAN通過綜合多個波段的數據來實現對于星系的高精度檢測

研究人員表示，絕大多數情況下黑洞都會位于星系的中央，這些巨大的黑洞噴射出的射線可以被射電望遠鏡捕捉到。但隨著時間的推移這樣的能量噴射會從宿主星系彌散開來讓傳統的計算機程序難以分辨出星系的真正位置，而這正是ClaRAN的任務所在。天文學家們基于著名的檢測模型Faster R-CNN訓練并建立了識別星系的新算法，代替了人工低效冗長的工作。

在訓練過程中，天文學家們使用了來自radio galaxy zoo中的22326張數據對模型進行了訓練，模型架構如下圖所示。

這一架構同時對兩個任務進行學習，尋找出星系的位置和對應的形態分類

這一模型可以達到超過90%的識別精度，將很多復雜模式的星系結構識別出來，這不僅提高了天文學的研究效率，更解放了科學家的時間讓他們投身于更多新類型星系的研究任務中去。

通過結合不同波段的觀測信息，ClaRAN檢測的置信概率不斷提高。

這一網絡同時還可以在比訓練數據視野更大的觀測數據上得到良好的結果，這對于大范圍的搜索有著至關重要的作用。

在未來，研究人員們將繼續改進ClaRAN系統，提高它對于多源數據的分辨能力，并用更有效的統計手段對結果進行評估。

如果感興趣想試試星系的分類，可以在這里找到課題組開源的代碼，基于Tensorflow和Faster RCNN-TF開發。

https://github.com/chenwuperth/rgz_rcnn/

很多星系的數據可以在kaggle數據庫中找到：

https://www.kaggle.com/c/galaxy-zoo-the-galaxy-challenge

http://radio.galaxyzoo.org/

https://radiotalk.galaxyzoo.org/