天文学家正越来越多地借助AI，为自己的研究开发新工具。
下文概述了机器学习的4项主要优势。
未来十年，随着天文学家对宇宙开展更深入的研究，AI将成为他们的重要工具。
天文学完全是关于数据的学科。宇宙正在变得越来越大，我们掌握的相关信息也随之增多。但下一代天文学面临的一些最大挑战，在于我们究竟如何研究所收集到的全部数据。
为应对这些挑战，天文学家正转向机器学习和人工智能（AI），开发新工具，以快速搜寻下一个重大突破。以下是AI助力天文学家的四种方式。
1. 寻找行星
寻找行星的方法有几种，但最成功的一种是凌日观测法。当系外行星从其母恒星前方经过时，会遮挡部分我们可见的光线。
通过观测系外行星的多次轨道运行，天文学家可以绘制出光线变暗的变化图，并据此确定行星的特性，例如质量、大小以及与恒星的距离。美国国家航空航天局的开普勒太空望远镜运用这一技术取得了巨大成功，它同时监测数千颗恒星，留意由行星造成的典型光线变暗迹象。
人类在发现这些光线变暗现象方面相当擅长，但这项技能需要时间培养。随着更多专门用于发现新系外行星的任务启动，例如美国国家航空航天局的（凌日系外行星巡天卫星），人类已难以跟上节奏。这正是AI发挥作用之处。
时间序列分析技术将数据视为随时间变化的连续序列进行分析，已与一类AI相结合，成功识别系外行星的信号，准确率最高可达96%。
2. 引力波
时间序列模型不仅非常适用于寻找系外行星，也非常适合用于探测宇宙中最具灾难性事件的信号，即黑洞与中子星的并合。
当这些极其致密的天体向内坍缩时，会在时空中产生涟漪，这些涟漪可以被探测到，方法是在地球上测量微弱信号。引力波探测器合作项目LIGO和Virgo已借助机器学习识别出数十起此类事件的信号。
通过基于黑洞并合模拟数据训练模型，LIGO和Virgo的团队能够在事件发生后的瞬间识别潜在事件，并向全球天文学家发出警报，助其将望远镜转向正确方位。
3. 不断变化的天空
待在智利建设的维拉·鲁宾天文台投入运行后，将每晚巡视整个夜空，一次性收集超过80太字节的图像，以观测宇宙中恒星与星系随时间的变化。一太字节等于8,000,000,000,000比特。
在计划开展的观测期间，鲁宾天文台实施的“时空遗产巡天”将收集并处理数百拍字节的数据。为便于理解，100拍字节大约相当于存储Facebook上每一张照片所需的空间，或约700年的全高清视频。
你无法仅通过登录服务器下载这些数据；即便能够下载，也无法从中找到你所需要的内容。
机器学习技术将用于搜索这些新一代巡天数据，并突出其中的重要数据。例如，一种算法可能在图像中搜寻超新星等罕见事件（超新星是恒星生命终结时的剧烈爆炸），另一种算法则可能负责搜寻类星体。通过训练计算机识别特定天体现象的信号，团队将能够把正确的数据交给正确的人。
4. 引力透镜
随着我们收集的宇宙数据越来越多，有时甚至需要对数据进行整理，并舍弃无用的数据。那么，我们如何在这些海量数据中找到最罕见的天体呢？
许多天文学家都为一种天体现象感到兴奋，即强引力透镜。当两个星系恰好沿我们的视线方向排列时，就会出现这种现象：较近星系的引力充当透镜，放大较远的天体，从而形成环状、十字形和双重像。
寻找这些透镜如同大海捞针——而这片“海”的大小相当于整个可观测宇宙。随着我们收集到的星系图像越来越多，这项搜寻工作只会变得更加困难。
2018年，来自世界各地的天文学家参加了强引力透镜发现挑战赛，比拼谁能开发出最佳算法，以自动发现这些透镜。
该挑战赛的获胜者采用了一种称为卷积神经网络的模型，该模型通过不同滤波器逐层分解图像，直至能够判断图像中是否包含透镜。令人惊讶的是，这些模型的表现甚至优于人类，能够发现人类难以察觉的细微图像差异。
未来十年，借助维拉·鲁宾天文台等新型设备，天文学家将收集到拍字节级别的数据，即数千太字节。随着我们对宇宙的观测不断深入，天文学家的研究将越来越依赖机器学习技术。
