[[387017]]

01 剛需：大數(shù)據(jù)天體物理時(shí)代到來

隨著觀測(cè)技術(shù)的發(fā)展，天文數(shù)據(jù)呈指數(shù)型增長(zhǎng)。例如，著名的斯隆巡天（The Sloan Digital Sky Survey）[1] 開始于2000年，觀測(cè)到了約300萬個(gè)天體，數(shù)據(jù)量大約是40TB。而目前正在運(yùn)行的暗能量巡天（The Dark Energy Survey）[2]的數(shù)據(jù)量至少是斯隆巡天的100倍。未來歐洲的歐幾里得巡天（Euclid）[3]以及美國的大視場(chǎng)時(shí)空巡天（LSST）[4] 則會(huì)把數(shù)據(jù)量推到驚人的50PB和200PB（1PB=1024TB）。

僅僅是可觀測(cè)星系一種天體的樣本數(shù)目，就將達(dá)到數(shù)十億。因此，以往傳統(tǒng)編程加人工處理方式的效率已經(jīng)不足以應(yīng)付這樣龐大的數(shù)據(jù)量了。例如，把上百億的星系按照哈勃星系圖表（圖1）分類的工作量就多到讓人望而卻步，這還僅僅是天體物理學(xué)研究的基本操作。

也就是說，高效的自動(dòng)化數(shù)據(jù)處理將成為剛需。幸好人工智能技術(shù)在過去的十幾年里有了突飛猛進(jìn)的發(fā)展，比如圖樣識(shí)別技術(shù)已經(jīng)可以快速地把互聯(lián)網(wǎng)上的圖片進(jìn)行分類。天文學(xué)家們受此啟發(fā)，開始把人工智能領(lǐng)域里的相關(guān)技術(shù)應(yīng)用到天文數(shù)據(jù)的自動(dòng)化處理中。

圖1. 哈勃星系分類圖表 ，最左側(cè)分支（E）是橢圓星系，由左到右橢率逐漸增大。S0代表橢圓星系和漩渦星系的臨界點(diǎn)。Sa,b,c分支代表常規(guī)漩渦星系，由a到b星系的光度中漩臂占的比重越來越大。SB分支代表具有棒結(jié)構(gòu)的漩渦星系，由a到b的排序不只考慮了光度比還考慮的懸臂的開放程度。圖片來源：
https://en.wikipedia.org/wiki/Hubble_sequence

02 應(yīng)用：分類、回歸與生成

著名科學(xué)家赫伯特·西蒙（Herbert Simon，1975年圖靈獎(jiǎng)和1978年諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)得主）給機(jī)器學(xué)習(xí)下過定義——“機(jī)器學(xué)習(xí)是計(jì)算機(jī)程序通過攝取數(shù)據(jù)來自行改進(jìn)性能的過程”。機(jī)器學(xué)習(xí)和傳統(tǒng)程序根本的不同就是編程邏輯：機(jī)器學(xué)習(xí)的理念是歸納法，而傳統(tǒng)編程更傾向于演繹法。

例如，如果想用傳統(tǒng)編程方法對(duì)星系的形狀分類，我們需先測(cè)量星系的形狀參數(shù)，然后設(shè)定閾值，再根據(jù)形狀參數(shù)和閾值的關(guān)系對(duì)星系分類；而機(jī)器學(xué)習(xí)的邏輯則是：先建立一個(gè)普適的模型，不提供特定參數(shù)或閾值，只輸入星系圖像和歸類標(biāo)簽，這個(gè)模型就會(huì)根據(jù)輸入的數(shù)據(jù)自我調(diào)整，從而演化成一個(gè)可用于星系形狀分類的分類器。圖2展示了傳統(tǒng)程序和機(jī)器學(xué)習(xí)程序工作流程的差異。

圖2. 傳統(tǒng)編程和機(jī)器學(xué)習(xí)編程邏輯的差異。圖片來源：
https://www.futurice.com/blog/differences-between-machine-learning-and-software-engineering/

眼下，天文學(xué)家主要應(yīng)用機(jī)器學(xué)習(xí)解決分類、回歸、生成等分體，成功案例包括星系形狀分類和指定天體辨識(shí)（圖3）、天體物理現(xiàn)象的快速自動(dòng)化建模（圖5）以及仿真圖像的生成（圖6）。綜合來看機(jī)器學(xué)習(xí)在解決天體物理學(xué)問題上具有以下優(yōu)點(diǎn)：1）覆蓋范圍廣，普適性好；2）數(shù)據(jù)驅(qū)動(dòng)，上限明顯高于傳統(tǒng)方法；3）開發(fā)難度越來越低，移植性好。這些優(yōu)點(diǎn)使得機(jī)器學(xué)習(xí)的方法在天體物理尤其是大數(shù)據(jù)時(shí)代的天體物理中越來越流行，幾乎在各個(gè)天體物理學(xué)領(lǐng)域甚至各個(gè)科學(xué)領(lǐng)域都能看到其身影。

圖3. 應(yīng)用監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)進(jìn)行星系形狀分類的范例。上圖為監(jiān)督學(xué)習(xí)分類結(jié)果的范例[5]，下圖為非監(jiān)督學(xué)習(xí)星系分類結(jié)果的范例[6]。兩個(gè)方法都能比較好地根據(jù)形狀對(duì)星系進(jìn)行分類了，如果有興趣了解更多細(xì)節(jié)，請(qǐng)?jiān)L問圖片來源鏈接里的論文（文末參考文獻(xiàn)，下同）。

圖4. 應(yīng)用機(jī)器學(xué)習(xí)解決“回歸問題”的實(shí)例。左圖為宇宙中的投影物質(zhì)分布示意圖，右圖為機(jī)器學(xué)習(xí)的方法根據(jù)宇宙中的投影物質(zhì)分布預(yù)言的宇宙學(xué)參數(shù)[7]。這個(gè)應(yīng)用的基本思想是通過機(jī)器學(xué)習(xí)的算法建立起左圖和由圖中宇宙學(xué)參數(shù)的對(duì)應(yīng)關(guān)系，這樣在將來有新的物質(zhì)分布的數(shù)據(jù)的時(shí)候，只要輸入訓(xùn)練好的模型中，就可以快速地返回對(duì)應(yīng)的宇宙學(xué)參數(shù)了。

圖5. 機(jī)器學(xué)習(xí)算法生成的仿真星系圖像與真實(shí)圖像的對(duì)比[8]。左圖為機(jī)器學(xué)習(xí)生成的無噪音漩渦星系，中圖為添加噪音之后的仿真圖像，右圖為哈勃望遠(yuǎn)鏡所觀測(cè)到的圖像。生成盡可能真實(shí)的數(shù)值模擬的圖像有助于天文學(xué)家測(cè)試和校正數(shù)據(jù)處理軟件和科學(xué)建模軟件。

03 短板：門檻、數(shù)據(jù)與黑盒子

然而，機(jī)器學(xué)習(xí)并非無所不能。首先其超高的計(jì)算量和特別的硬件需求使其入門門檻要高于傳統(tǒng)方法。另外，模型設(shè)計(jì)非常復(fù)雜，要投入大量的人力、物力和時(shí)間來開發(fā)新算法及模型，大部分人只能使用現(xiàn)有的模型。而且，機(jī)器學(xué)習(xí)是一個(gè)隨機(jī)的過程，結(jié)果的統(tǒng)計(jì)性是自洽的，但無法在個(gè)體結(jié)果上實(shí)現(xiàn)多次完美重現(xiàn)。

例如，應(yīng)用機(jī)器學(xué)習(xí)實(shí)現(xiàn)分類操作時(shí)，小部分目標(biāo)天體每次的分類結(jié)果都會(huì)不一樣；應(yīng)用機(jī)器學(xué)習(xí)實(shí)現(xiàn)回歸計(jì)算時(shí)，每次預(yù)言的參數(shù)也都不是可重復(fù)的固定值，盡管不確定性很小。因此，應(yīng)用機(jī)器學(xué)習(xí)研究天體物理學(xué)問題時(shí)，有明確一對(duì)一關(guān)系的物理過程（如星系動(dòng)力學(xué)仿真和引力透鏡光線追蹤仿真等）依然需要傳統(tǒng)方法來實(shí)現(xiàn)。

其次，機(jī)器學(xué)習(xí)是數(shù)據(jù)驅(qū)動(dòng)的，所以缺少數(shù)據(jù)的科學(xué)問題要謹(jǐn)慎采用此方法，尤其是數(shù)據(jù)在參數(shù)空間的覆蓋范圍不夠完備的時(shí)候，機(jī)器學(xué)習(xí)將給出有偏差的結(jié)果。當(dāng)然，可以使用數(shù)值模擬的方式來改進(jìn)數(shù)據(jù)的完備性和多樣性，但這又導(dǎo)致機(jī)器學(xué)習(xí)給出的結(jié)果強(qiáng)烈依賴仿真數(shù)據(jù)的生成模型，因此應(yīng)用機(jī)器學(xué)習(xí)解決此類問題的時(shí)候，需要盡可能詳盡地設(shè)計(jì)仿真過程從而創(chuàng)建合理的訓(xùn)練樣本。 

另一方面，在數(shù)據(jù)體量滿足條件的時(shí)候，缺少優(yōu)質(zhì)數(shù)據(jù)的科學(xué)問題也不太適合采用機(jī)器學(xué)習(xí)來解決，因?yàn)榇罅康牧淤|(zhì)數(shù)據(jù)會(huì)導(dǎo)致機(jī)器學(xué)習(xí)模型對(duì)噪音（非真實(shí)優(yōu)質(zhì)的數(shù)據(jù)）做出響應(yīng)，從而給出可信度很高的錯(cuò)誤結(jié)果。解決此類問題時(shí)，對(duì)數(shù)據(jù)謹(jǐn)慎地預(yù)篩選和后篩選是必要的，以盡量避免“錯(cuò)進(jìn)錯(cuò)出（Garbage in, Garbage out）”現(xiàn)象。

最后，也是最重要的：機(jī)器學(xué)習(xí)算法的不可解釋性是被人詬病最多的短板，因此機(jī)器學(xué)習(xí)一直被比喻成黑盒，形象的地描述了機(jī)器學(xué)習(xí)算法對(duì)相關(guān)性敏感，但極其欠缺因果性的解釋。

目前為止，機(jī)器學(xué)習(xí)，尤其是深度學(xué)習(xí)的唯一真正成功之處是在給定大量人類注釋數(shù)據(jù)的情況下，能夠使用連續(xù)的幾何變換將空間X映射到空間Y，然而至于為什要從X映射到Y(jié)還需要科學(xué)家自己把控。此外，從X映射到Y(jié)的具體細(xì)節(jié)也需要更深入的研究。

相關(guān)研究[9]已經(jīng)嘗試用谷歌的Deep-Dream[10]工具包研究星系團(tuán)質(zhì)量重構(gòu)過程中對(duì)特定數(shù)據(jù)點(diǎn)的敏感性（圖6），微軟的InterpretML[11]工具包則專注于神經(jīng)網(wǎng)絡(luò)模型中各部分的邏輯關(guān)系和數(shù)據(jù)流向（圖7），這兩個(gè)嘗試可以被看成“向黑盒子照入光”，幫助人們更好地理解其工作原理，當(dāng)然結(jié)果仍很初步，離完全理解“黑盒子”還有很長(zhǎng)的路要走。希望隨著對(duì)機(jī)器學(xué)習(xí)工作邏輯研究的深入，人類能最終打開黑盒，讓機(jī)器學(xué)習(xí)幫助科學(xué)家更好地探索宇宙。

圖6. 應(yīng)用深度學(xué)習(xí)算法基于星系團(tuán)的光度信息重構(gòu)星系團(tuán)的總質(zhì)量分布的過程中，星系團(tuán)光度場(chǎng)中數(shù)據(jù)點(diǎn)對(duì)重構(gòu)結(jié)果貢獻(xiàn)的權(quán)重示意圖。左側(cè)為星系團(tuán)的廣度分布（恒星粒子分布）[9]，其中黑圈圈出星系團(tuán)的中心星系的位置，紅圈圈出星系團(tuán)的成員星系；右側(cè)為Deep-Dream[10]處理后的結(jié)果，黃色的區(qū)域代表對(duì)結(jié)果貢獻(xiàn)比較大的數(shù)據(jù)點(diǎn) 。

圖7. 機(jī)器學(xué)習(xí)模型解釋軟件InterpretML簡(jiǎn)介[11]。

04 總結(jié)：有效、有選擇、有未來

大數(shù)據(jù)天體物理時(shí)代，機(jī)器學(xué)習(xí)能有效地幫助天文學(xué)家完成了海量數(shù)據(jù)的挖掘工作。但機(jī)器學(xué)習(xí)并不是萬能的鑰匙，不能盲目地應(yīng)用機(jī)器學(xué)習(xí)去解決所有天文學(xué)問題，尤其是在問題范圍不明確、數(shù)據(jù)體量不足以及數(shù)據(jù)質(zhì)量不高的情況下。

另外，不可解釋性是機(jī)器學(xué)習(xí)方法目前最大的短板，因此根據(jù)機(jī)器學(xué)習(xí)的結(jié)果下因果性結(jié)論的時(shí)候要尤為謹(jǐn)慎。已經(jīng)有一些先驅(qū)性工作嘗試解釋機(jī)器學(xué)習(xí)結(jié)果與數(shù)據(jù)的因果關(guān)系以及機(jī)器學(xué)習(xí)模型內(nèi)部的邏輯關(guān)系，希望隨著此類研究的深入，人類能最終打開黑盒，讓機(jī)器學(xué)習(xí)也能從事推理和抽象相關(guān)的科研工作。

不過話說回來，真到那個(gè)時(shí)候，天文學(xué)家又將扮演何種角色呢？會(huì)不會(huì)成為失業(yè)的人群？歡迎留下你的看法。

參考文獻(xiàn)：

[1] https://www.sdss.org/

[2] https://www.darkenergysurvey.org/

[3] https://www.euclid-ec.org/

[4] https://www.lsst.org/

[5] Dieleman, S. et al., Rotation-invariant Convolutional Neural Networks for Galaxy Morphology Prediction, 2015, MNRAS, Vol. 450, Issue 2, p.1141-1459

[6] Hocking, A. et al., An automatic taxonomy of Galaxy Morphology Using Unsupervised Machine Learning, 2018, MNRAS, Vol. 473, Issue 1, p.1108-1129

[7] Fluri, J. et al., Cosmological Constraints from Noisy Convergence Maps through Deep Learning, 2018, Physical Review D, Vol. 98, Issue 12, id.123518

[8] Ravanbakhsh, S. et al., Enabling Dark Energy Science with Deep Generative Models of Galaxy Images, 2017, AAAI-2017, Proceedings, id.14765

[9] Yan, Z. et al, Galaxy Cluster Mass Estimation with Deep Learning and Hydrodynamical Simulations, 2020, MNRAS, Vol. 499, Issue 3, pp.3445-3458

[10] https://github.com/google/deepdream

[11] https://github.com/interpretml/interpret