动态 | 不止生成猫咪照片,GAN还在帮助天文学家生成史上最清晰的星系图像

AI科技评论按:本文由图普科技工程师翻译自《Neural networks promise sharpest ever images》,AI科技评论独家首发文章。

上图向我们分别展示了一个原始星系的图像(左边第一张),经过退化处理了的星系图像(左起第二张),经GAN修复的星系图像(左起第三张),以及之前的最先进的技术——“反卷积”技术加工完成的星系图像(右边第一张)。

天文望远镜是天文学使用的主要仪器,通常情况下会受到其自身镜片或镜头大小的限制。望远镜在很大程度上会受到其镜头或镜片的直径,也就是所谓的“光圈”,的限制。简单来说,镜头直径越大,望远镜能集中的光就越多,天文学家对微小物体的侦探和观察就越清楚。那奎斯特抽样定理(又称采样定理)对分辨率的限制问题进行了阐述,该定理说明采样频率与信号频谱之间的关系。

Kevin Schawinski,苏黎世联邦理工学院的教授,带领着他的瑞士研究团队,使用当前最新的机器学习技术去挑战望远镜的“光圈限制”。他们向神经网络输入能模仿大脑神经元的计算方法,以及星系的具体形象,然后让神经网络自动恢复一张模糊的图像,把它变成一张清晰的图像。跟人类一样,神经网络也是需要通过一些例子(在这里的例子指的就是同一星系的模糊图像和清晰图像)来学习和掌握这个技术的。

他们在自己的系统中使用了两个相互竞争的神经网络,一个正流行于机器学习研究领域的新兴方法——GAN(Generative Adversarial Network,生成对抗网络)。值得一提的是,对这个神经网络的训练在一台高性能电脑上只需要几个小时就能完成。

经过训练的神经网络能够识别和重构那些望远镜无法解决的特征,比如恒星形成区域、星系中的尘埃带等等。科学家们通过与原始高分辨率的图像的对比检查来测试其性能,发现神经网络是到现在为止科学家们所使用过的、最好的恢复图像特征的方法,它比前几年用于提高哈勃太空望远镜图像分辨率的“反卷积”技术还要完备。《皇家天文协会月刊》记录了这一全新的研究工作。

Schawinski认为神经网络的使用是一个巨大的进步,他说道:

我们可以重温那些仅凭长年望远镜观察来展开的天文调查,观察其更多的细节,然后获得更多关于星系结构的新发现。我们完全有可能将这一技术应用到来自哈勃太空望远镜,或是来自即将问世的“James Webb太空望远镜”的那些深度图像,进而更多地了解最早期的宇宙架构。

张策教授,专攻计算机科学领域的项目合作者同样看到了神经网络的巨大潜力,他表示:

大量的天文学数据对计算机专家来说一直都具有强大的吸引力。然而,当一个全新的技术产生时,比如说机器学习,天体物理学确实可以为之提供一个庞大的测试床用于应对最基本的计算问题,但在研究工作中,我们应该如何用机器学习系统来整合并且利用那些人类上千年来积累的研究成果呢?我们希望可以通过与Kevin的合作,很好地解决这个问题。

这一项目的成功,预示着天体物理学领域的未来发展方向——数据驱动。这就意味着在天体物理学中,各类知识和信息将能够自动从数据中,而不是从人工制造的物理模型中整合出来。

现在,苏黎世联邦理工学院正在space.ml上着手准备一个开源项目,与全球研究者合作开展这一项跨学科(天体物理学和计算机科学)的开创性工作。

原文发布于微信公众号 - AI科技评论(aitechtalk)

原文发表时间:2017-03-02

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏量子位

想骗过人脸识别?一块钱就够了(附送几组骗AI的方法+论文)

舒石 李林 编译整理 量子位 出品 | 公众号 QbitAI 人脸识别越来越常见,今年春运已经能刷脸进站,iPhone的相册就能用人脸分类照片,社交网站上能根据...

4578
来自专栏量子位

Hinton反思新作:我说反向传播不好,但还是没谁能颠覆它

1083
来自专栏新智元

人工智能进步来自计算力?周志华:不同意;陈怡然笑谈“分饼”

来源:陈老师有话说 作者:陈怡然 【新智元导读】有关深度学习炼金术的争论火了。但在国内还有个更加劲爆的——针对“人工智能的进步是由计算能力提升导致的”这个说法,...

3869
来自专栏新智元

【重磅】RSS2016 深度学习机器人领域最新应用及趋势总结(PPT下载)

【新智元导读】虽然在计算机视觉方面取得巨大突破,但深度学习(DL)在机器人领域尚未成为主流。由于在特定情境下无法确保机器人做出规定动作等原因,机器人领域还有很多...

3385
来自专栏机器之心

专访 | MINIEYE首席科学家吴建鑫:用单目摄像头实现自动驾驶的视觉感知

机器之心原创 作者:朱思颖 「车载硬件处于典型的资源受限环境之下,如何将深度学习应用于这样的受限环境是有效落地智能硬件的方式之一。」MINIEYE 首席科学家...

2748
来自专栏企鹅号快讯

深度学习真的不需要理论指导了?图灵奖得主讲座无人问津,贝叶斯之父Judea Pearl落寞身影背后引人深思

【导读】最近NIPS 2017 "Test of Time"论文大奖获得者Ali Rahimi 在长滩现场的演讲中把机器学习称为“炼金术”(Alchemy)引起...

1909
来自专栏新智元

【Nature】拥抱深度学习,不要过多苛求黑箱

【新智元导读】Nature 昨日刊发新闻特写,针对AI,特别是深度学习中的黑箱问题的来龙去脉进行分析。AI 中神经网络深度学习方法的黑箱问题是科学家们一直在尝试...

3596
来自专栏大数据文摘

Y Combinator创始人:深度学习值得被炒作的十个原因

1252
来自专栏大数据文摘

小白学数据之什么是神经网络

1373
来自专栏AI科技评论

【深度】Nature:我们能打开人工智能的“黑箱”吗?

编者按:人工智能无处不在。但是在科学家信任人工智能之前,他们首先应该了解这些人工智能机器是如何运作的,这也就是文中所提到的“黑箱”问题。在控制论中,通常把所不知...

2866

扫描关注云+社区