引力透鏡是天文學中長期尋找和研究的對象，但一直令科學家們束手無策。借助深度學習和計算機視覺技術來處理望遠鏡生成的大量數據，科學家們將能夠通過眾多的引力透鏡擴展對宇宙的了解。

如果地球與另外兩個星系基本處于同一條直線上，當一個星系或星系團擋住其“后面”的另一個星系時，第一個星系的引力會使第二個星系發出的光線彎曲，此時便會出現引力透鏡。引力透鏡效應會使得第一個星系成為在地球觀察第二個星系的放大鏡。然而，引力透鏡的識別已被證明是一項重大的挑戰。

通過對引力透鏡的準確識別，然后對望遠鏡數據進行分析，科學家們不僅能夠更好地觀察更遙遠的星系，還可以從本質上了解可能遍布整個宇宙的一種未知物質形態——暗物質。

斯坦福大學Kavli粒子天文物理學和宇宙學研究所的NASA哈勃望遠鏡項目博士后研究員Yashar Hezaveh表示：“通過引力透鏡我們可以了解很多科學知識。我們可以利用這些數據研究暗物質的分布以及恒星與星系的形成?！?/p>

深入探索深度學習

不久之前，科學家仍然通過大量復雜的計算機代碼來分析圖像。這種方式需要進行大量的超星系團相關計算，還需要大量的人為操作。但是，當Hezaveh與其研究團隊決定運用計算機視覺技術和神經網絡時，一切發生了改變。

斯坦福大學博士后研究員Laurence Perreault Levasseur，也是該主題論文“Fast Automated Analysis of Strong Gravitational Lenses with Convolutional Neural Networks”（下載鏈接：https://arxiv.org/abs/1708.08842）的合著者，他表示：“我們當時并沒想過它會有多大效果，或者它到底有沒有用?！?/p>

我們也可以將引力透鏡看作哈哈鏡，其挑戰在于消除鏡像畸變的影響，并找出鏡前物體的真實圖像。傳統方法是將觀察結果與在不同哈哈鏡中看到的同一物體的模擬圖像大型數據集進行比較，以找出與該數據更相似的結果。

而神經網絡則能夠直接處理圖像并找到真實圖像，而無需與大量模擬圖像進行比較。從原理上講，這種方式可加快計算速度。但是，對深度學習模型進行訓練，以理解各種波動如何影響物質活動以及我們的觀察，同樣需要強大的計算能力。

在Hezaveh和他的團隊采用GPU分析數據后，他們能夠快速準確地揭示有關宇宙的新見解。通過使用斯坦福大學的Sherlock高性能計算集群（基于NVIDIA GPU），該團隊訓練模型的速度比使用CPU時提升了高達100倍。

由此將獲得對引力透鏡更深入的了解，并為期望更深入認識宇宙的人提供大量素材。

Perreault Levasseur指出：“使用這一工具可以解答很多科學問題”。

全力“通緝”引力透鏡

當然，要分析引力透鏡的數據，首先要找到引力透鏡，而這正是歐洲三所大學的科學家著力解決的問題。

作為Kilo-Degree Survey (KiDS)（一個旨在更好地了解宇宙中的暗物質和質量分布的天文觀測項目）的一部分，格羅寧根大學（Universities of Groningen）、那不勒斯大學（University of Naples）和波恩大學（University of Bonn）的研究人員一直使用深度學習方法來識別新的引力透鏡。

Carlo Enrico Petrillo是相關深度學習論文“Finding strong gravitational lenses in the Kilo Degree Survey with Convolutional Neural Networks”（下載鏈接：https://academic.oup.com/mnras/article-abstract/472/1/1129/4082220）的合著者，他指出，即便此觀測項目僅觀測了一小片（約百分之四）太空，但通過運用AI技術執行KiDS時仍發現了多達2500個引力透鏡。

然而，取得這個成果之前我們曾面臨一個重大挑戰，即缺少深度學習應用程序通常所需要的至關重要的訓練數據集。Petrillo表示，他們團隊的對策是：對引力透鏡周圍的光弧和光環進行模擬，然后將它們加入到真實星系的圖像中。

“通過這種方式，我們可以利用從觀測中獲得的圖像的所有特定特性（例如分辨率、波長和噪聲）來模擬引力透鏡?！盤etrillo說道。

換言之，該團隊將這一問題視為二元分類之一：將匹配模擬結果的光弧和光環所包圍的星系標記為透鏡，將不匹配的星系標記為非透鏡。由于網絡從每一次模擬中不斷學習，因此研究人員可以縮小候選項的范圍。該團隊發表的論文指出，這種方法一開始就能讓他們將761個候選項縮減為包含56個疑似引力透鏡的清單。

NVIDIA GPU大大縮短了將圖像成批與模擬結果對比所需的時間，從而幫助實現了這一成果。在CPU上對比一批圖像需要25秒，而GPU則將速度提高了50倍。

“使用CPU會讓我的工作苦不堪言?！彼f道。

數據洪流來襲

隨著望遠鏡和深度學習技術的不斷革新，引力透鏡的數據量預計會大幅增加。例如，Petrillo指出，歐洲空間局的歐幾里德望遠鏡預計會產生數十PB的數據，而智利的大口徑全天巡視望遠鏡每晚將產生30 TB的數據。

這意味著將需要處理大量數據、發現許多引力透鏡和認識新的太空邊界。這也將為科學家提出新的挑戰。

Petrillo說：“找到大量引力透鏡意味著可準確呈現星系的形成與演變，同時可深入了解暗物質的性質及時空連續統自身的結構。我們需要使用高效快速的算法分析所有這些數據，而機器學習無疑將成為天文學家共同關注的事情?！?/p>