[[387017]]

01 剛需：大數據天體物理時代到來

隨著觀測技術的發展，天文數據呈指數型增長。例如，著名的斯隆巡天（The Sloan Digital Sky Survey）[1] 開始于2000年，觀測到了約300萬個天體，數據量大約是40TB。而目前正在運行的暗能量巡天（The Dark Energy Survey）[2]的數據量至少是斯隆巡天的100倍。未來歐洲的歐幾里得巡天（Euclid）[3]以及美國的大視場時空巡天（LSST）[4] 則會把數據量推到驚人的50PB和200PB（1PB=1024TB）。

僅僅是可觀測星系一種天體的樣本數目，就將達到數十億。因此，以往傳統編程加人工處理方式的效率已經不足以應付這樣龐大的數據量了。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研究的基本操作。

也就是說，高效的自動化數據處理將成為剛需。幸好人工智能技術在過去的十幾年里有了突飛猛進的發展，比如圖樣識別技術已經可以快速地把互聯網上的圖片進行分類。天文學家們受此啟發，開始把人工智能領域里的相關技術應用到天文數據的自動化處理中。

圖1. 哈勃星系分類圖表 ，最左側分支（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。Sa,b,c分支代表常規漩渦星系，由a到b星系的光度中漩臂占的比重越來越大。SB分支代表具有棒結構的漩渦星系，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 應用：分類、回歸與生成

著名科學家赫伯特·西蒙（Herbert Simon，1975年圖靈獎和1978年諾貝爾經濟學獎得主）給機器學習下過定義——“機器學習是計算機程序通過攝取數據來自行改進性能的過程”。機器學習和傳統程序根本的不同就是編程邏輯：機器學習的理念是歸納法，而傳統編程更傾向于演繹法。

例如，如果想用傳統編程方法對星系的形狀分類，我們需先測量星系的形狀參數，然后設定閾值，再根據形狀參數和閾值的關系對星系分類；而機器學習的邏輯則是：先建立一個普適的模型，不提供特定參數或閾值，只輸入星系圖像和歸類標簽，這個模型就會根據輸入的數據自我調整，從而演化成一個可用于星系形狀分類的分類器。圖2展示了傳統程序和機器學習程序工作流程的差異。

圖2. 傳統編程和機器學習編程邏輯的差異。圖片來源：
https://www.futurice.com/blog/differences-between-machine-learning-and-software-engineering/

眼下，天文學家主要應用機器學習解決分類、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（圖3）、天體物理現象的快速自動化建模（圖5）以及仿真圖像的生成（圖6）。綜合來看機器學習在解決天體物理學問題上具有以下優點：1）覆蓋范圍廣，普適性好；2）數據驅動，上限明顯高于傳統方法；3）開發難度越來越低，移植性好。這些優點使得機器學習的方法在天體物理尤其是大數據時代的天體物理中越來越流行，幾乎在各個天體物理學領域甚至各個科學領域都能看到其身影。

圖3. 應用監督學習和非監督學習進行星系形狀分類的范例。上圖為監督學習分類結果的范例[5]，下圖為非監督學習星系分類結果的范例[6]。兩個方法都能比較好地根據形狀對星系進行分類了，如果有興趣了解更多細節，請訪問圖片來源鏈接里的論文（文末參考文獻，下同）。

圖4. 應用機器學習解決“回歸問題”的實例。左圖為宇宙中的投影物質分布示意圖，右圖為機器學習的方法根據宇宙中的投影物質分布預言的宇宙學參數[7]。這個應用的基本思想是通過機器學習的算法建立起左圖和由圖中宇宙學參數的對應關系，這樣在將來有新的物質分布的數據的時候，只要輸入訓練好的模型中，就可以快速地返回對應的宇宙學參數了。

圖5. 機器學習算法生成的仿真星系圖像與真實圖像的對比[8]。左圖為機器學習生成的無噪音漩渦星系，中圖為添加噪音之后的仿真圖像，右圖為哈勃望遠鏡所觀測到的圖像。生成盡可能真實的數值模擬的圖像有助于天文學家測試和校正數據處理軟件和科學建模軟件。

03 短板：門檻、數據與黑盒子

然而，機器學習并非無所不能。首先其超高的計算量和特別的硬件需求使其入門門檻要高于傳統方法。另外，模型設計非常復雜，要投入大量的人力、物力和時間來開發新算法及模型，大部分人只能使用現有的模型。而且，機器學習是一個隨機的過程，結果的統計性是自洽的，但無法在個體結果上實現多次完美重現。

例如，應用機器學習實現分類操作時，小部分目標天體每次的分類結果都會不一樣；應用機器學習實現回歸計算時，每次預言的參數也都不是可重復的固定值，盡管不確定性很小。因此，應用機器學習研究天體物理學問題時，有明確一對一關系的物理過程（如星系動力學仿真和引力透鏡光線追蹤仿真等）依然需要傳統方法來實現。

其次，機器學習是數據驅動的，所以缺少數據的科學問題要謹慎采用此方法，尤其是數據在參數空間的覆蓋范圍不夠完備的時候，機器學習將給出有偏差的結果。當然，可以使用數值模擬的方式來改進數據的完備性和多樣性，但這又導致機器學習給出的結果強烈依賴仿真數據的生成模型，因此應用機器學習解決此類問題的時候，需要盡可能詳盡地設計仿真過程從而創建合理的訓練樣本。 

另一方面，在數據體量滿足條件的時候，缺少優質數據的科學問題也不太適合采用機器學習來解決，因為大量的劣質數據會導致機器學習模型對噪音（非真實優質的數據）做出響應，從而給出可信度很高的錯誤結果。解決此類問題時，對數據謹慎地預篩選和后篩選是必要的，以盡量避免“錯進錯出（Garbage in, Garbage out）”現象。

最后，也是最重要的：機器學習算法的不可解釋性是被人詬病最多的短板，因此機器學習一直被比喻成黑盒，形象的地描述了機器學習算法對相關性敏感，但極其欠缺因果性的解釋。

目前為止，機器學習，尤其是深度學習的唯一真正成功之處是在給定大量人類注釋數據的情況下，能夠使用連續的幾何變換將空間X映射到空間Y，然而至于為什要從X映射到Y還需要科學家自己把控。此外，從X映射到Y的具體細節也需要更深入的研究。

相關研究[9]已經嘗試用谷歌的Deep-Dream[10]工具包研究星系團質量重構過程中對特定數據點的敏感性（圖6），微軟的InterpretML[11]工具包則專注于神經網絡模型中各部分的邏輯關系和數據流向（圖7），這兩個嘗試可以被看成“向黑盒子照入光”，幫助人們更好地理解其工作原理，當然結果仍很初步，離完全理解“黑盒子”還有很長的路要走。希望隨著對機器學習工作邏輯研究的深入，人類能最終打開黑盒，讓機器學習幫助科學家更好地探索宇宙。

圖6. 應用深度學習算法基于星系團的光度信息重構星系團的總質量分布的過程中，星系團光度場中數據點對重構結果貢獻的權重示意圖。左側為星系團的廣度分布（恒星粒子分布）[9]，其中黑圈圈出星系團的中心星系的位置，紅圈圈出星系團的成員星系；右側為Deep-Dream[10]處理后的結果，黃色的區域代表對結果貢獻比較大的數據點 。

圖7. 機器學習模型解釋軟件InterpretML簡介[11]。

04 總結：有效、有選擇、有未來

大數據天體物理時代，機器學習能有效地幫助天文學家完成了海量數據的挖掘工作。但機器學習并不是萬能的鑰匙，不能盲目地應用機器學習去解決所有天文學問題，尤其是在問題范圍不明確、數據體量不足以及數據質量不高的情況下。

另外，不可解釋性是機器學習方法目前最大的短板，因此根據機器學習的結果下因果性結論的時候要尤為謹慎。已經有一些先驅性工作嘗試解釋機器學習結果與數據的因果關系以及機器學習模型內部的邏輯關系，希望隨著此類研究的深入，人類能最終打開黑盒，讓機器學習也能從事推理和抽象相關的科研工作。

不過話說回來，真到那個時候，天文學家又將扮演何種角色呢？會不會成為失業的人群？歡迎留下你的看法。

參考文獻：

[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