圖說：研究過程藝術示意圖 來源/中國科學院上海天文台
面對海量的天文數據，人工智能成為天文學家的得力幫手。中國科學院上海天文台研究員葛健帶領的國際團隊通過人工智能深度學習方法，在國際斯隆數字巡天項目第三期釋放的類星體光譜數據中，「挖」到重要發現。
葛健介紹，宇宙冷氣體和塵埃中的「中性碳吸收體」，是研究星系形成和演化的重要探針。可中性碳吸收線的信號微弱且稀少，需要在海量的類星體光譜數據中才能找到。使用傳統的搜尋方法耗費時間，同時搜尋到的假信號較多，還容易遺漏一些微弱信號。
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，生成基於實際觀測的中性碳吸收線特徵的大量仿真樣本，去訓練深度學習神經網絡，並使用這些被「訓練好」的深度學習神經網絡，在國際斯隆數字巡天項目第三期釋放的數據中搜尋「中性碳吸收體」。
通過這一創新方法，研究團隊很快發現了107例宇宙早期星系內的冷氣體雲塊有「中性碳吸收體」。這一樣本數是此前獲得的最大樣本數的近兩倍，且探測到了更多比以前更微弱的信號。
發現了這麼多冷氣體的「中性碳吸收體」，科研人員把這些光譜疊加到一起，極大提高了探測各種金屬元素丰度的能力，並能直接測量塵埃吸附導致的部分金屬丰度缺失。
研究結果表明，早在宇宙只有約30億年的年齡時（宇宙現在的年齡為約138億年），這些攜帶「中性碳吸收體」探針的早期星系，已經過了快速物理和化學演化，進入了介於大麥哲倫矮星系和銀河系之間的物理和化學演化狀態，產生了大量的金屬，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。
「我們這一發現，驗證了近期詹姆斯·韋伯太空望遠鏡首次在宇宙最早的恆星中，探測到類似鑽石的碳塵埃的新發現，預示部分星系的演化比預期要快得多，這將對現有的星系形成和演化模型形成挑戰。」葛健說，區別於詹姆斯·韋伯太空望遠鏡通過星系發射光譜來開展研究工作，該工作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全新的研究手段。
天文學家認為，要想使用人工智能在海量的天文數據中「挖」到新發現，就需要發展創新的人工智能算法，使之能夠快速地、準確地、完備地探尋到這些很難在傳統方式下找到的稀少而微弱的信號。
15日，研究成果發表在國際學術期刊《皇家天文學會月報》（mnras）上。
新民晚報記者 郜陽
