中新網 北京5月16日電 (記者 孫自法 鄭瑩瑩)目前宇宙的年齡已有約138億年，在其約30億年時的演化早期是怎樣的狀態(tài)？

來自中國科學院上海天文臺的消息說，該臺葛健研究員帶領的國際團隊最新發(fā)現(xiàn)極其稀少的107例宇宙早期星系關鍵探針中性碳吸收體，進一步分析研究表明，早在宇宙約30億歲的演化早期，這些攜帶中性碳吸收體探針的早期星系，已經過快速物理和化學演化，進入介于大麥哲倫矮星系和銀河系之間的物理和化學演化狀態(tài)。

為什么選擇中性碳吸收體

本項研究通過人工智能的深度學習方法，對國際斯隆巡天三期釋放的類星體光譜數(shù)據(jù)進行微弱信號搜尋和數(shù)據(jù)分析，發(fā)現(xiàn)107例宇宙早期星系內的冷氣體云塊成分的關鍵探針中性碳吸收體。相關研究方法與成果對探索星系如何形成和演化提供了新的研究方式，也充分顯現(xiàn)人工智能在天文海量數(shù)據(jù)中探尋微弱信號的廣泛應用潛力和前景。研究成果論文5月15日在國際天文學頂級期刊《皇家天文學會月報》(MNRAS)上發(fā)表。

本次研究成果的藝術想象圖。中國科學院上海天文臺/供圖

葛健指出，研究冷氣體和塵埃為天文學家們理解星系從“最初組裝”到恒星形成時期的劇烈變化、再到演化后期的整個星系生命周期提供了關鍵手段，而想要研究冷氣體和塵埃，就需要探針。由于早期宇宙的星系離地球太遙遠，天文學家無法將星系自身發(fā)的光作為探針來觀測并研究冷氣體和塵埃。然而，宇宙中比星系要亮百倍以上的類星體所發(fā)出的光在經過宇宙早期星系時會被其中的氣體和塵埃吸收，產生類星體的吸收光譜。其中，中性碳的吸收光譜可以幫助天文學家準確跟蹤冷氣體云塊，因此，中性碳吸收體成為研究星系形成和演化的重要探針。

人工智能如何助力“大海撈針”

葛健表示，由于中性碳吸收線的信號微弱且極其稀少，需要在海量類星體光譜數(shù)據(jù)中尋找，如同大海撈針。

為此，國際合作研究團隊通過使用人工智能的深度學習方法，設計神經網絡，生成基于實際觀測的中性碳吸收線特征的大量仿真樣本去訓練深度學習神經網絡，并使用這些被“訓練好”的深度學習神經網絡在斯隆巡天三期釋放的數(shù)據(jù)中搜尋中性碳吸收體。

通過這種方式，研究團隊很快發(fā)現(xiàn)了極其稀少的107例宇宙早期星系內的冷氣體云塊成分的關鍵探針——中性碳吸收體。本次獲得的樣本數(shù)是此前獲得最大樣本數(shù)的近兩倍之多，并且成功探測到更多比以前更微弱的信號。

研究團隊采用創(chuàng)新方法，首先形成與真實吸收線無任何區(qū)別的仿真信號來充分訓練深度神經網絡，使之學習吸收線的所有特征；為提高探測靈敏度，研究團隊有意增加了低信噪比樣本的訓練，使深度學習神經網絡的探測精度達到99.8%，探測完備性也顯著提升約30%，達到99%。這種人工智能的訓練和搜尋方式大大縮短搜尋時間，并提高探測靈敏度和對微弱信號探測的完備性。

怎樣有效追蹤星系演化過程

葛健介紹說，找到金屬吸收線的中性碳吸收體可以提供一個研究星系和宇宙演化的強大工具，這些吸收體的譜線能提供有關早期星系內星際介質的化學成分和金屬豐度的信息，幫助天文學家去追蹤化學成分的富集過程和化學演化的歷史。

這些吸收體還可以追蹤塵埃形成和屬性，提供星系中加熱和冷卻氣體過程的理解以及如何促進分子的形成等。這些譜線的強度和恒星形成率與星系歷史有關，因此可有效追蹤星系的演化過程。

此次發(fā)現(xiàn)如此多冷氣體的中性碳吸收體，研究團隊把這些光譜疊加到一起，極大提高探測各種金屬元素豐度的能力，并能直接測量塵埃吸附導致的部分金屬豐度缺失。研究結果表明，早在宇宙只有約30億年的年齡時，這些攜帶中性碳吸收體探針的早期星系已經過快速物理和化學演化，進入介于大麥哲倫矮星系和銀河系之間的物理和化學演化狀態(tài)，大量的金屬產生，同時部分金屬被吸附到塵埃上，產生觀測到的塵埃紅化結果。

研究成果未來有哪些應用

本項研究結果還獨立驗證了近期詹姆斯·韋伯太空望遠鏡首次在宇宙最早的恒星中探測到類似鉆石的碳塵埃的新發(fā)現(xiàn)，預示部分星系的演化比預期要快得多，挑戰(zhàn)了現(xiàn)有的星系形成和演化模型。研究團隊認為，本次研究通過觀測類星體的吸收光譜來研究早期星系，這將為未來宇宙和星系早期演化研究提供一個全新而強有力的研究手段，以及與詹姆斯·韋伯太空望遠鏡相互補的研究方式。

葛健表示，本次研究工作的突破性發(fā)現(xiàn)是人工智能在天文大數(shù)據(jù)領域應用的一個里程碑。要想使用人工智能在海量的天文數(shù)據(jù)中“挖”到重大新發(fā)現(xiàn)，就需要發(fā)展創(chuàng)新人工智能算法，使之能快、準、狠——即快速、準確、完備地探尋到這些很難在傳統(tǒng)方式下找到的稀少而微弱的信號。

研究團隊期望能將本次工作中的創(chuàng)新手段進一步推廣到各類光譜中，使用人工智能高效訓練和搜尋微弱光譜信號，也推廣到圖像識別中把多個相關結構截取出來放在一起，產生人工“多結構”圖像來高效訓練和搜尋微弱圖像信號。

本項研究的創(chuàng)新方法具有在多領域圖像識別以及微弱信號探測中巨大的應用價值和潛力，研究團隊使用大量仿真數(shù)據(jù)訓練深度神經網絡的方法，也可以拓展使用人工智能搜尋稀少微弱信號的發(fā)現(xiàn)空間。

“在無法獲得大量的實際觀測數(shù)據(jù)時，我們可以通過充分認識需要搜尋的信號特征，然后人工生成具有這些特征的大量仿真信號來訓練深度神經網絡，這樣我們就不再依賴以往有限的認知來發(fā)現(xiàn)宇宙新現(xiàn)象。這將為未來在海量的天文數(shù)據(jù)中‘挖掘’到新的信號和物理規(guī)律的大發(fā)現(xiàn)，提供非常有效的手段。”葛健展望說。(完)