欧洲航天局AI系统两天半发现约1400个太空异常天体

哈勃望远镜历经35年积累获得数万个数据集 ，天文学家依靠人眼去筛阅不知得耗费多少年 ，然而一套AI系统短短两天半就完成了近1亿个图像片段的筛查 ，并且从中锁定了约1400个特殊天体，这般效率的跃升 ，标志着天文学研究正朝着一个由人工智能驱动的新时代迈进。

AI神经网络如何训练而成

这套AI系统的核心，是一个经过专门设计的神经网络，它不是毫无根据的凭空创造，其训练的基石，是哈勃太空望远镜遗产档案；这个档案库，收集了哈勃望远镜自1990年升空以来，长达35年观测积累的数万个高精度数据集，可以说是一座宇宙图像的宝库。

分别是天文学家David O‘Ryan与Pablo Gómez，他们借助海量这些数据 ，来开展对AI的训练工作。他们促使系统去研习数量达到数以万计的正常星系图像 ，以此让系统构建起对于“常规”宇宙结构的深度认知。靠不断反复进行迭代以及对参数加以调整 ，进而系统最终拥有了在极为纷繁复杂的宇宙图景里 ，能敏锐地分辨出那一些“不对劲”的异常模式的能力。

两天半筛查一亿图像的效率革命

往昔传统天文学探究之时，那些专门的行家凭借肉眼去查看检视图像进而寻觅特殊天体，这般历程不但消耗的时间十分漫长，并且极其容易因为视觉产生疲劳从而遗漏掉关键的信息。然而这一套人工智能系统把这一进程的效率提升到了从来没有过的程度。

在测试期间，该系统于仅仅60个小时之内，快速且高效地处理了近乎于1亿个经过了裁剪处理的图像片段，这表明它平均每秒需对数百张图像的内容予以分析以及判断，这样的处理速度是人类天文学家团队根本无法达到的，它把研究人员从繁重不已的初步筛查工作里解脱出来，从而能够专注于更深层次的科学分析。

异常天体的四大主要类型

系统所发现的大约1400个异常天体，按照其形态以及物理特征，主要能够归为几个具备重要研究价值的类别。其中第一类是正处于发生合并行为或者相互作用状态的星系，此类星系的引力相互作用会牵拉出来绵延长长的恒星以及气体流，从而形成极为壮观的“宇宙尾巴”。

第二类与引力透镜效应有关，当有那样一个处于前景当中的、质量巨大无比之星系或星系团时，其引力会如同透镜一般对后方更遥远星系所发出的光线予以弯曲，并且还会将其放大，进而致使后方星系数的图像随之产生歪曲、拉扯，甚至会形成多重镜像，而此类现象乃是研究暗物质以及宇宙膨胀时难能可贵的探针。

从恒星团块到水母星系

第三类异常天体，是那种内部有着极端恒星形成区的星系，在这些星系里头呀，存在着巨大且密集的恒星团块，恒星在这儿是以极高的速率诞生的，就好像是宇宙当中的“造星工厂”一样，它对理解星系演化早期的剧烈活动呢，是至关重要的。

第四类是独特天体，它被形象地称作“水母星系”。星系以极高速度穿过所在星系团，会和星系团中弥漫的高温气体产生强烈作用。高温气体如强风般“冲刷”星系，剥离其部分物质，压缩气体触发恒星形成，最终形成类似水母拖着触须般的奇异形态。

无法归类的新发现潜力

有诸多发现，其中最具冲击力的是，存在几十个天体，这类天体无法被归入现有的、任何一种已知分类，它们展现出前所未有的结构，有着前所未有的亮度分布，还有前所未有的光谱特征，这些都对当前天文学的理论框架以及分类体系发起了挑战。

或许是某种极端环境之下的产物，这些“未知”天体，也许代表着全新的物理过程或者宇宙现象，还可能是宇宙演化之中某个颇为短暂且极为罕见的阶段。对这些目标展开后续的深入观测以及研究，极有可能催生出天文学的新发现甚至全新理论。

AI天文学的未来应用前景

这次成功证实了AI于天文大数据挖掘里的巨大潜力，往后，伴随韦伯太空望远镜这类新一代设备开始运作，数据量将要呈现指数级增长，AI辅助分析会成为不可缺少的研究工具。

AI可用于图像筛选，未来还能扩展到光谱分析，光变曲线识别，瞬变源发现等多个领域。它能不知疲倦地按统一标准处理数据，减少人为偏差，协助天文学家在海量观测数据里，更高效地定位蕴含突破性科学价值的“宇宙钻石”。

对于那种能够发觉连人类专家都不容易确切去定义的全新天体的人工智能，你觉得它最终是会助力我们找到颠覆现有关于宇宙认知的现象呢，还是会由于它的“黑箱”特性而带来难以去验证的发现呢，欢迎在评论区分享你的看法，要是觉得本文有启发，也请点赞支持 ︕。