2018年1月25日

機器學習與天文學:無人大型巡天計畫

李見修/中央大學天文碩士,慕尼黑天文博士。目前在日本昴宿天文台擔任支援天文學家。


天文學:開放的巨量資料
提到機器學習在天文領域的應用,大家第一個想到的便是星體分類。這是因為現代的大型巡天計畫已累積了相當可觀的巨量資料。而在計畫的主要科學課題之外,這些資料還蘊藏無限可能,只可惜通常計畫成員已無法兼顧其他課題。與其他學科不同的是,天文學家們知道蒼穹之大,非一己之力所能參透,與其將資料鎖著不見天日,不如開放給全世界(包括普羅大眾)一同使用。恆星演化、伽瑪射線爆、以及重力透鏡的先驅波登。波蘭天文學家普欽斯基(Bohdan Paczyński)就曾說過這麼一句話:「只有將資料公開,與對手共享,才能讓我們的觀測數據發揮最大的效益。」

使用機器學習代替目視分類
但是原始資料整理起來相當繁瑣又曠日廢時,於是天文學家想到利用機器學習來分析,一方面可以減少投入的人力,另一方面也能建立起不同的目錄,讓有興趣的天文學家自行取用。舉例來說,像是「全天自動巡天計畫(All Sky Automated Survey, ASAS)」,利用兩具口徑15公分的望遠鏡,分別從夏威夷以及智利觀測全天。這個計畫自1997 年開始、平均每兩天巡天一次,時至今日仍在進行,對超過2 千萬顆亮星留下長時間的觀測資料,可供變星分析使用。然而巨大的資料量,加上變星種類繁多,要一一目視分類實屬不易。加州大學柏克萊分校的理查斯(Joseph Richards)等人因此想到使用機器學習的方法來分析這巨量的資料,透過擷取光變曲線的特徵,來依此分類不同的變星(圖一)。


圖一:造父變星光變曲線特徵示意圖。

機器學習同時也可以運用在星系分類上,並依此取得星系的基本性質。舉例來說,由史隆基金會所贊助的史隆數位巡天計畫(Sloan Digital Sky Survey,SDSS,臺灣中研院天文所亦參與其中)利用位於美國新墨西哥州的一架口徑2.5 米的望遠鏡,對北半球的天空進行可見光多波段(grizy 濾鏡)的巡天,留下了深且廣的大範圍北半球天區影像,可供天文學家們研究星系在不同環境、不同宇宙年齡時的性質,讓我們進一步了解星系的演化。但在使用這筆資料時,首要之務便是要能對數以萬計的影像分類。可是即使是星系專家們,要看完所有的影像也是需要許多時間。比利時根特大學的帝勒曼(Sander Dieleman)等人因此想到使用類神經網路的方式分類星系。除了史隆數位巡天計畫資料裡的星系——即最基本橢圓星系與螺旋星系外,更進一步細分螺旋星系是否有棒狀結構,以及螺旋星系是屬於正視(face-on)亦或是側視(edge-on)等。而在星系分類好後,便需決定星系的距離,這是因為距離我們越遠的星系越古老,因此根據不同的距離,我們可以推測星系在宇宙不同年齡時的演化性質。

一般來說,要測定星系的距離,最準確的方法是透過拍攝星系的光譜。因為宇宙膨脹的關係,當星系離我們越遠,它遠離我們的速度也越快。根據都卜勒效應,當一個物體高速遠離我們的時候,它所發出的波頻率會變低、波長會變長。一個最好的例子就是......【更多內容請閱讀科學月刊第578期】

沒有留言: