天文学家们越来越意识到，在这样的时代，利用人工智能将会在天文学领域做出真正的发现。

通过学习星系看起来应该是什么样子的，智能系统能够使图像清晰起来。

2017年4月，天体物理学家凯文·沙文斯基（michael schawinski）在推特网上发布了四个星系的模糊图片，并提出了一个请求，看看同行的天文学家们中有谁能够帮助他进行分类。同行们意见一致地说：这些图像看起来像椭圆形，呈漩涡状，属于熟悉的星系类型。

一些天文学家怀疑其中有诡计，因为沙文斯基是具有计算头脑的，所以他们直截了当地问道：这些是真正的星系吗？或者是利用相关物理学原理在电脑上模拟出来的模拟星系吗？沙文斯基回答说：其实两者都不是。在瑞士苏黎世联邦理工学院，沙文斯基、计算机科学家张策（ce zhang）以及其他合作人员，在一个神经网络中创造了这些星系，该神经网络不了解任何物理学原理，似乎只是深深地理解了星系看起来应该是什么样的。

沙文斯基只不过是想利用在推特网发布的帖子来看看这个网络创造的星系在多大程度上是可信的，但是他更远大的目标是开创一项技术，能够像电影中那样将模糊的监视图像奇迹般地清晰化——开创一个网络，能够使模糊的星系图像看起来是由较为高级的望远镜拍摄的。这样，天文学家们就能够从大量的观察中抽出更为精细的细节画面。沙文斯基说：“在巡天工程中，我们花费了数亿、或许是数十亿美元的资金。从某种程度上说，利用这项技术我们可以立即提取更多的信息。”

沙文斯基在推特网上发布的星系图像是由一个生成对抗网络创造的，该网络是一种机器学习模型，包括两个互相对抗的神经网络，其中一个网络是可以创造图像的生成器，另一个是可以挑出瑕疵、去除伪造成分的鉴别器，它可以迫使生成器做得更好。沙文斯基的研究小组挑选了数千张真实的星系图像，然后人为地降低图像的清晰度。接着，研究人员训练生成器，使其修饰这些图像，以便能够通过鉴别器的鉴别。最终，该网络胜过其他技术，消除了星系图像中的杂乱成分。

伊利诺斯州巴达维亚地区费米国家加速器实验室的天体物理学家布莱恩·诺德（brian nord）说：沙文斯基的方法是机器学习在天文学领域一个特别前卫的例子，但机器学习远不止于此。1月份在美国天文学会的会议上，诺德提出了一种机器学习策略，用来搜寻强效引力透镜——太空中罕见的光弧，这种光弧是遥远星系的图像在到达地球的过程中经过扭曲的时空而形成的。这些引力透镜可用于测量宇宙间天体的距离和发现看不见的质量密度。

从视觉上来说，强效引力透镜现象是独特的，难以利用简单的数学规则来描述——利用传统的计算机很难分辨出来，但是对于人类来讲却容易分辨。诺德和其他科学家意识到，利用数千个透镜对神经网络进行培训，神经网络就可以获得类似人类的直觉。诺德称：“实际上，在接下来的几个月里，我们撰写了十几篇论文，都是研究利用某种机器学习来搜寻强效引力透镜的，这是一件激动人心的事情。”

在整个天文学领域，这只是一个环节。天文学家们越来越认识到，人工智能战略提供了一个强有力的方法，可以利用pb级数据去发现有趣的天体并对其进行分类。沙文斯基称：“人人都在惊呼：‘天哪，我们拥有的数据太多啦！’我认为，在这样的一个时代利用人工智能将会做出真正的发现。”

以上是网络信息转载，信息真实性自行斟酌。