被广泛应用于人脸识别以及其他图像和语音识别的深度学习方法在帮助天文学家分析星系图像及了解它们如何形成和演变方面展示了潜力。一支由多国科学家组成的科研团队使用计算机模拟星系的形成来训练深度学习算法，该算法随后被证实在分析来自哈勃空间望远镜的星系图像方面表现异常出色，相关研究成果已发表在《天体物理期刊》上。

　　科研人员利用来自模拟的输出结果生成被模拟星系的模拟图像，并将其用于训练深度学习系统，使其能够识别之前在模拟中确定的星系演变的三个关键阶段。科研人员随后为该系统提供大量真实的哈勃图像用于分类。结果表明，神经网络对模拟星系和真实星系的分类具有高度一致性。

　　在这项新研究中，科研人员使用了最先进的星系模拟（VELA模拟）。科研人员对富含气体的星系的早期演变模拟中发现的以下现象尤其感兴趣：当大量气体流入星系的中心时，星系的中心会形成一个小而密集的恒星形成区域，称为“蓝核”。年轻、炽热的恒星会发出“蓝色”短波长光，因此蓝色表示具有活跃恒星形成的星系，而较为衰老、温度较低的恒星则会发出更多的“红色”光。

　　计算机程序在模拟数据和观测数据中都有以下发现：“蓝核”阶段只在质量属于特定范围的星系中发生。中心区域的行星形成随后会平息，带来紧凑的“红核”阶段。质量范围的一致性是令人兴奋的发现，因为它表明深度学习算法正在自行确定真实星系中发生的重要物理过程的模式。

　　对于观测数据，该团队使用了“宇宙组合近红外深空河外星系遗产巡天”（CANDELS）项目的星系图像。VELA模拟在帮助天文学家理解CANDELS的观测结果方面取得了很多成功。

　　研究人员表示，未来，由于大型巡天项目和新望远镜的存在，天文学家将拥有更多可供分析的观测数据。深度学习和其他机器学习方法可成为理解这些海量数据集的强大工具。

本文刊载于《中国教育网络》杂志2018年7月刊