Deep-CEE：幫助天文學家探索深空的人工智能深度學習工具

宇宙中的大多數星系都生活在被稱為“場”的低密度環境中，或者生活在小群體中，比如包含我們的銀河系和仙女座星系的星系。星系團更為罕見，但它們代表了星系可以生存的最極端環境，研究它們可以幫助我們更好地理解暗物質和暗能量。

在 20 世紀 50 年代，星系團發現的先驅天文學家喬治·阿貝爾花了多年時間通過肉眼尋找星系團，使用放大鏡和照相底片來定位它們。阿貝爾手動分析了大約 2,000 張照相底片，尋找星系團的視覺特征，并詳細描述了星系密集區域的天文坐標。他的工作導致了在北半球發現的星系團的“阿貝爾目錄”。

Deep-CEE 以 Abell 識別星系團的方法為基礎，但用經過訓練的 AI 模型取代了天文學家，該模型經過訓練可以“查看”彩色圖像并識別星系團。它是一種基于神經網絡的最先進模型，旨在模仿人腦在可視化獨特圖案和顏色時通過激活特定神經元來學習識別物體的方式。

Chan 通過反復向 AI 展示圖像中已知的、已標記的對象示例來訓練 AI，直到該算法能夠學會自行關聯對象。然后進行了一項試點研究，以測試該算法在包含許多其他天文物體的圖像中識別和分類星系團的能力。

“我們已經成功地將 Deep-CEE 應用于斯隆數字巡天，”Chan 說，“最終，我們將在革命性的巡天中運行我們的模型，例如大型天氣巡天望遠鏡 (LSST)，它將更廣泛、更深入地探測宇宙區域以前從未探索過。

新的最先進的望遠鏡使天文學家能夠比以往任何時候都更廣泛和更深入地觀察，例如研究宇宙的大尺度結構并繪制其大量未被發現的內容。

通過自動化發現過程，科學家可以快速掃描圖像集，并以最少的人工交互返回精確的預測。這對于將來分析數據至關重要。即將進行的 LSST 巡天(將于 2021 年上線)將對整個南半球的天空進行成像，估計每晚產生 15 TB 的數據。

“深度學習等數據挖掘技術將幫助我們分析現代望遠鏡的巨大輸出”，John Stott 博士(Chan 的博士生導師)說。“我們希望我們的方法能夠找到科學界從未見過的數千個星團。”

遠距離觀鳥：令人驚嘆的新型 AI 攝像頭系統可針對特定行為

生物記錄是一種涉及將小型輕型攝像機和/或其他數據收集設備安裝到野生動物身上的技術。然后，該系統允許研究人員以最小的干擾觀察該動物生活的各個方面，例如它的行為和社會互動。

然而，到目前為止，這些高成本生物記錄系統所需的相當長的電池壽命已被證明是有限的。“由于附著在小動物身上的生物記錄器必須小巧輕便，它們的運行時間很短，因此很難記錄有趣的罕見行為，”研究通訊作者 Takuya Maekawa 解釋道。

“我們開發了一種新的配備人工智能的生物記錄設備，使我們能夠根據來自加速度計和地理定位系統 (GPS) 等低成本傳感器的數據自動檢測和記錄感興趣的特定目標行為。” 然后，低成本傳感器將高成本傳感器(例如攝像機)的使用限制在它們最有可能捕獲特定目標行為的時間段內。

將這些系統與機器學習技術結合使用，可以將昂貴傳感器的數據收集直接集中在有趣但不常見的行為上，從而大大增加檢測到這些行為的可能性。

新的人工智能輔助攝像機系統在日本沿海島嶼的自然環境中對黑尾鷗和條紋海鷗進行了測試。“與隨機抽樣方法相比，新方法對黑尾鷗覓食行為的檢測提高了 15 倍，”主要作者 Joseph Korpela 說。“在條紋海鷗中，我們應用了基于 GPS 的人工智能系統來檢測這些鳥類的特定局部飛行活動。基于 GPS 的系統的精度為 0.59——遠高于涉及切換的周期性采樣方法的 0.07攝像頭每 30 分鐘打開一次。”

未來使用配備人工智能的生物記錄器有許多潛在的應用，尤其是系統本身的進一步發展。“這些系統具有廣泛的可能應用，包括使用反偷獵標簽檢測偷獵活動，”前川說。“我們還預計這項工作將被用來揭示人類社會與傳播冠狀病毒等流行病的野生動物之間的相互作用。”

更多信息可以來這里獲取==>>電子技術應用-AET<<