写点什么

AI 的尽头在宇宙?AI 已帮助天文学家找到 22 颗“星星”

  • 2022-09-08
    北京
  • 本文字数:3502 字

    阅读完需:约 11 分钟

AI的尽头在宇宙?AI已帮助天文学家找到22颗“星星”

9 月 3 日,在 2022 世界人工智能大会(WAIC)上,腾讯宣布,与国家天文台共同开启对 M31 仙女座星系的射电信号处理,这也是天文界对该星系中脉冲星类致密天体的最深度完整探测。

 

这场“AI+天文”的跨界合作始于 2021 年。时年 7 月,马化腾在去年的 WAIC 上透露,腾讯与国家天文台启动“探星计划”,用 AI+云寻找脉冲星,提高探星效率。

 

双方合作主要包括三个层面:(1)AI 辅助脉冲星搜索效率提升;(2)AI 辅助快速射电暴搜索;(3)AI 辅助近密双星系统中脉冲星搜索。

 

经过一年多的合作,腾讯首次对外披露了“探星计划”进展:

 

腾讯云副总裁、腾讯优图实验室总经理吴运声表示,目前,优图 AI 天体探索方案已从巡天观测数据中寻找到超过 22 个脉冲星候选体。其中,包括在天体物理中具有较高观测研究价值的高速自转的毫秒脉冲星 7 颗,具有间歇辐射现象的年老脉冲星 6 颗。此外,优图动态谱 AI 模型还首次探测到了某磁陀星射电脉冲。

 

AI 为“中国天眼”寻找脉冲星提速

 

脉冲星,因为周期性的发射电磁波,被称为宇宙中的“灯塔”、“最精确的时钟”,是宇宙演化的研究参考。

 

脉冲星是在坍缩的超新星的残骸中发现的,它们有助于人们了解星体坍缩时到底发生了什么。脉冲星的本质是中子星,其具有在地面实验室无法实现的极端物理性质,是理想的天体物理实验室,对其进行研究,有望得到许多重大物理学问题的答案,例如黑洞问题。

 

探星计划项目组成员,复旦大学计算机系副教授池明旻介绍,脉冲星会组成一个阵,通过阵可以发现黑洞。所有信号到了黑洞那都回不来,黑洞会导致空间的弯曲,通过脉冲星可以帮助寻找和发现这一现象。“在地面导航有 GPS,未来在星际导航的时候,我们可能就要靠脉冲星了”。

 

目前世界上最强大的脉冲星搜寻利器之一,便是有着“中国天眼”之称的 FAST,它是世界上灵敏度最高的射电望远镜。

 

在执行识别任务的过程中,FAST 每天产生的数据规模相当庞大。池明旻介绍,FAST 每周产生约 500 多 TB 的数据量,对这些数据的计算需要大量算力。在天文领域,搜寻脉冲星是对算力要求超高的研究方向之一。

 

FAST 在 1 周内产生的脉冲星观测数据,大约能得到 3000 多万张信号图,如果以人工肉眼处理,按照 1 张/秒的速度,在不吃不喝不休息的条件下,需要用一年的时间才能处理完。此外,信号图成像复杂,传统的图像处理和机器学习算法召回率低,加上跨界学习成本高,天文领域专家对 AI 模型的设计和使用不擅长,面临多种 AI 模型设计难点。

 

而“云+AI”可以很好地应对这些问题。

 

以往需要 1 年完成的工作量,AI 只需要 3 天时间就可以完成。在算力方面,腾讯云为“探星计划”提供了约 20 个 GPU 的服务器,可每天 24 小时不间断地做计算。

 

最新的数据显示,基于腾讯优图实验室的计算机视觉技术、腾讯云的计算及存储能力,用“云+AI”帮助中国天眼 FAST 处理每天接收到的庞大数据,并通过视觉 AI 分析找到脉冲星线索,在同等算力下处理效率提高了 120 倍。脉冲星的搜寻效率得到了显著提升。

 

多项自研 AI 技术创新

 

数据预处理提速

 

据介绍,AI 辅助 FAST 探索脉冲星遵循如下技术原理:

 

FAST 观测到信号→经过一系列天文和物理学方法处理→得到适合计算机视觉领域处理的图像数据→对信号进行判别→筛选比对图像数据→留下少部分样本→人工再次对少部分样本进行比对确认。

 

天文数据在经过 AI 处理前,需要进行数预处理。

 

数据预处理,主要是将 FAST 观测到的天文信号转化成图像的过程。相比信号,人能够最直观的可视和感知到图像。通过一系列天文领域专门的处理方法,包括快速傅立叶变换、语音信号处理、消色散等,对数据进行预处理,例如,脉冲星有对应的频率、时间、弧度等三维信号,将这些三维信号转变成两维的图像信号,如时间上位、频率上位等二维图,再通过看图来确定到底是不是脉冲星。

 

预处理环节是天文领域的难点。这一方面是因为,信号从外太空过来,经过了星际的介质及各种噪声干扰,信号过来从低频到高频,低频到达较慢,望远镜接收入时信号有色散延迟,加上

脉冲星有周期性,色散量不定,脉冲周期也不定,这就导致了首次盲搜的范围非常之大。

 

对预处理环节进行加速,是腾讯优图实验室在探星计划中所承担的核心任务。预处理对计算有着极高的要求,腾讯优图为此提供了强大的算力支持。

 

汪铖杰团队统计发现,FAST 信号收到后转化成图,要搜索 3000 万张图-1 亿张图,才能找到 1 颗脉冲星,如此广泛的搜索范围对数据预处理速度提出了更高的要求。腾讯优图实验室的视觉 AI 算法帮助了加速了这一过程,通过将原先的预处理算法,进行重复性冗余计算的消除等方式,将预处理过程提速。

 

池明旻提到了一组对比数据,在 2017 年时,FAST 探索任务的数据预处理过程大约花费 15 分钟,而现在应用上 AI 算法提速后,数据预处理只需不到 1 分钟即可完成。


多模态+半监督学习的 AI 解决方案

 

人工智能的算法设计也是一大难点。

 

这是因为,天文信号是多元的,包括时间上位图、频率上位图、色散图等。天文信号具有时间周期性,从频率、色散、向位等角度看,信息并不相同,例如如果从向位的角度看,脉冲星不明显,但从色散度的角度看会相对明显。

 

此外,作为世界最大单口径的射电望远镜,FAST 的工作模式和精度都与其他望远镜不同。FAST 有 19 个波束,信号之间互有联系,在人工智能算法设计时,针对这些信号的处理,需要多元信号融合、多波束信号融合。

 

针对上述问题,腾讯优图特别设计了一种基于多模态+半监督学习的 AI 解决方案。

 

多模态是指,基于多信息输入,综合评价天文信号到底是不是脉冲星,多维输入包含了更多的信息和可行性,因此,多模态的解决方案要比基于信号的直接分析效果更佳。

 

半监督学习背后的设计逻辑在于,AI 算法对数据量需求庞大,FAST 观测到的天文信号转化成的数千万到数亿张图,如果全依赖天文工作者人工标注,显然不现实。而通过半监督的解决方案,大量未经标注的数据也可以用于模型训练和学习,这样一来,算法学习的样本量将比人工标注时显著增加,深度学习更加充分,可以将模型做得更深,特征提取更充分,识别能力也会得到显著提升。

 

实践验证,多模态+半监督学习的 AI 解决方案,相比国家天文台原有的 AI 筛选模型具有更高的召回率,且误报率下降了 98%。

 

小样本学习

 

数据是人工智能算法的“燃料”。AI 发展多年以来,解决很多场景的大部分问题都是基于对大数据的学习。但在天文领域,尽管处理的数据高达百亿规模,但实际上可供学习的有效样本量还很少。在探星计划中,目前可供用于学习的脉冲星的量级大约在 100 个左右,如何在这个量级下取得好的学习效果,是一个难题。

 

小样本学习是近年来应对数据受限挑战的一个热门研究范式。

 

汪铖杰介绍,合成样本有多种方式。例如通过构造一个对的模式去学习,一个脉冲星加上一个位置信号去判断后者是否与脉冲星有关联性。数据扩增也是 AI 领域一种较常见的方式,例如在常规的脉冲星上做位移偏移或者加上宇宙仿真的噪音的叠加、变化等。另一种逐渐流行起来的方式是 GAN 技术,即通过对抗式生成的学习方法,学习一些样本后再生成一些样本用于学习,这种方法在数据量较小的情况下比较有效。

 

“入地”为“上天”作支撑,探索 AI 和 Science 结合的新范式

 

汪铖杰表示,对腾讯优图而言,在寻找到 22 颗脉冲星之外,探星计划的另一个重要的意义在于,探索出了 AI 和基础学科结合的模式。

 

“在做 FAST 探星项目前,我们不了解天文相关的知识,也不确定 AI 怎么能够跟基础科学衔接、配合、协作,现在经过这个项目,我们就有这个底气去做类似的项目,现在也有一些项目开始推进了”。在汪铖杰看来,AI for Science 就是在探索 AI 未知能力的边界。

 

“探星计划”是腾讯优图实验室总负责人吴运声所提出“AI 普适化”愿景的重要实现环节之一,“AI 普适化”旨在让 AI 技术能够具备在各行各业里应用和落地的能力,且能够实实在在地为某一个行业带来实质性的变化。

 

在此次 WAIC 上,腾讯还对外展示了云+AI 在工业、金融、传媒、能源、交通等多个场景下的创新实践。以在工业领域为例,吴运声表示,腾讯的工业 AI 基础技术集中在工业成像、基础算法、高效学习以及仿真生成四个方面,通过这四部分能力已打造超过 10 个细分领域外观检测的解决方案。结合规模化落地经验,腾讯云推出了工业质检训练平台,其面向工业外观缺陷检测场景,零基础工程师也能轻松使用,拥有算法精准、部署灵活、简单易用、功能完备的特点,降低工业 AI 质检算法落地的技术门槛。

 

而正是基于在上述“入地”的项目中的实践打下的基础,才让 AI“上天”探星具备了更多可能性。

 

“天文和工业,表面上看好像完全没有联系,但实际上在这些场景里,AI 底层技术是相通的”,汪铖杰表示,“FAST 探星计划中应用的很多技术,源于腾讯优图在工业 AI 质检场景的很多算法的研究和积累,如检测任务、分类模型、小样本学习、异常检测等”。

 

2022-09-08 14:495157
用户头像
刘燕 InfoQ高级技术编辑

发布了 1010 篇内容, 共 373.8 次阅读, 收获喜欢 1768 次。

关注

评论 1 条评论

发布
用户头像
作为巨头,应该多助力这种科研项目,回馈社会。
2022-09-13 02:50 · 北京
回复
没有更多了
发现更多内容

小程序该怎么挖掘App流量

Geek_99967b

小程序

这道JS经典面试题不要背,今天带你彻底搞懂它!

茶无味的一天

JavaScript 面试

数据工程师吐槽:数据API开发的那些烦心事

雨果

数据api

【Nacos源码之配置管理 七】服务端增删改配置数据之后如何通知集群中的其他机器

石臻臻的杂货铺

nacos 10月月更

跟着卷卷龙一起学Camera--金字塔融合法01

卷卷龙

ISP camera 10月月更

斐波那契数

掘金安东尼

算法 10月月更

2022-10-8

留白的艺术

【愚公系列】2022年10月 Go教学课程 022-Go容器之字典

愚公搬代码

10月月更

Qt|编译QuaZip以及程序应用

中国好公民st

c++ qt 10月月更

什么是DataOps?DataOps与DevOps 有什么区别?

雨果

DataOps

Python应用之基础结构-链表-合并两个有序链表

向阳逐梦

链表 10月月更 合并有序

Python应用之基础结构:二叉树 前序遍历

向阳逐梦

二叉树 遍历 10月月更

书单推荐|不惧复工,工作轻松

图灵社区

书单 复工

开拓“流程智能蓝海”丨九科信息董事&产品VP傅恺受邀分享流程挖掘实践案例

九科Ninetech

AI RPA 数字化转型 企业服务 流程挖掘

《高性能MySQL 第四版》正式上市

MySQL 数据库

leetcode 94. Binary Tree Inorder Traversal 二叉树的中序遍历(中等)

okokabcd

LeetCode 数据结构与算法

2022-10-08:以下go语言代码输出什么?A、0 0;B、0 4;C:4 0;D:4 4。 package main const s = “Go101.org“ // len(s) == 9

福大大架构师每日一题

golang 福大大 选择题

Python应用之基础结构:链表- 删除排序链表中的重复元素

向阳逐梦

10月月更 链表结构 基本元素

借助小程序框架打破APP开发壁垒

Geek_99967b

小程序

小程序插件其实很简单

Geek_99967b

小程序 小程序插件

企业应该如何进行知识管理?

Baklib

知识管理 知识库

即将开营|报名获取跨平台与热更新技术操作秘籍!

字节跳动终端技术

flutter 移动开发 插件化 动态化 SDK热更新

Dubbo Mesh 总体技术架构方案

阿里巴巴云原生

阿里云 云原生 dubbo

技术管理 之 技术

码猿外

技术管理

【Nacos源码之配置管理 八】客户端怎么获取服务端集群列表

石臻臻的杂货铺

nacos 10月月更

浪潮信息成为龙蜥理事单位,共建开放计算生态和行业方案

OpenAnolis小助手

开源 操作系统 产业链 龙蜥社区 浪潮信息

Java 函数式编程

Ayue、

java8

微信朋友圈高性能复杂度分析

大数据ELK(十七):Elasticsearch SQL 订单统计分析案例

Lansonli

10月月更 Elasticsearch SQL

跟着卷卷龙一起学Camera--金字塔融合法02

卷卷龙

ISP camera 10月月更

跟着卷卷龙一起学Camera--ISO

卷卷龙

ISP camera 10月月更

AI的尽头在宇宙?AI已帮助天文学家找到22颗“星星”_AI_刘燕_InfoQ精选文章