NVIDIA方案介紹：GPU驅(qū)動(dòng)AI揭秘難以捉摸的光線彎曲現(xiàn)象

引力透鏡是天文學(xué)中長(zhǎng)期尋找和研究的對(duì)象，但一直令科學(xué)家們束手無策。借助深度學(xué)習(xí)和計(jì)算機(jī)視覺技術(shù)來處理望遠(yuǎn)鏡生成的大量數(shù)據(jù)，科學(xué)家們將能夠通過眾多的引力透鏡擴(kuò)展對(duì)宇宙的了解。

如果地球與另外兩個(gè)星系基本處于同一條直線上，當(dāng)一個(gè)星系或星系團(tuán)擋住其“后面”的另一個(gè)星系時(shí)，第一個(gè)星系的引力會(huì)使第二個(gè)星系發(fā)出的光線彎曲，此時(shí)便會(huì)出現(xiàn)引力透鏡。引力透鏡效應(yīng)會(huì)使得第一個(gè)星系成為在地球觀察第二個(gè)星系的放大鏡。然而，引力透鏡的識(shí)別已被證明是一項(xiàng)重大的挑戰(zhàn)。

通過對(duì)引力透鏡的準(zhǔn)確識(shí)別，然后對(duì)望遠(yuǎn)鏡數(shù)據(jù)進(jìn)行分析，科學(xué)家們不僅能夠更好地觀察更遙遠(yuǎn)的星系，還可以從本質(zhì)上了解可能遍布整個(gè)宇宙的一種未知物質(zhì)形態(tài)——暗物質(zhì)。

斯坦福大學(xué)Kavli粒子天文物理學(xué)和宇宙學(xué)研究所的NASA哈勃望遠(yuǎn)鏡項(xiàng)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(xué)知識(shí)。我們可以利用這些數(shù)據(jù)研究暗物質(zhì)的分布以及恒星與星系的形成?！?/p>

深入探索深度學(xué)習(xí)

不久之前，科學(xué)家仍然通過大量復(fù)雜的計(jì)算機(jī)代碼來分析圖像。這種方式需要進(jìn)行大量的超星系團(tuán)相關(guān)計(jì)算，還需要大量的人為操作。但是，當(dāng)Hezaveh與其研究團(tuán)隊(duì)決定運(yùn)用計(jì)算機(jī)視覺技術(shù)和神經(jīng)網(wǎng)絡(luò)時(shí)，一切發(fā)生了改變。

斯坦福大學(xué)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(dāng)時(shí)并沒想過它會(huì)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(zhàn)在于消除鏡像畸變的影響，并找出鏡前物體的真實(shí)圖像。傳統(tǒng)方法是將觀察結(jié)果與在不同哈哈鏡中看到的同一物體的模擬圖像大型數(shù)據(jù)集進(jìn)行比較，以找出與該數(shù)據(jù)更相似的結(jié)果。

而神經(jīng)網(wǎng)絡(luò)則能夠直接處理圖像并找到真實(shí)圖像，而無需與大量模擬圖像進(jìn)行比較。從原理上講，這種方式可加快計(jì)算速度。但是，對(duì)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，以理解各種波動(dòng)如何影響物質(zhì)活動(dòng)以及我們的觀察，同樣需要強(qiáng)大的計(jì)算能力。

在Hezaveh和他的團(tuán)隊(duì)采用GPU分析數(shù)據(jù)后，他們能夠快速準(zhǔn)確地揭示有關(guān)宇宙的新見解。通過使用斯坦福大學(xué)的Sherlock高性能計(jì)算集群（基于NVIDIA GPU），該團(tuán)隊(duì)訓(xùn)練模型的速度比使用CPU時(shí)提升了高達(dá)100倍。

由此將獲得對(duì)引力透鏡更深入的了解，并為期望更深入認(rèn)識(shí)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(xué)問題”。

全力“通緝”引力透鏡

當(dāng)然，要分析引力透鏡的數(shù)據(jù)，首先要找到引力透鏡，而這正是歐洲三所大學(xué)的科學(xué)家著力解決的問題。

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

Carlo Enrico Petrillo是相關(guān)深度學(xué)習(xí)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(cè)項(xiàng)目?jī)H觀測(cè)了一小片（約百分之四）太空，但通過運(yùn)用AI技術(shù)執(zhí)行KiDS時(shí)仍發(fā)現(xiàn)了多達(dá)2500個(gè)引力透鏡。

然而，取得這個(gè)成果之前我們?cè)媾R一個(gè)重大挑戰(zhàn)，即缺少深度學(xué)習(xí)應(yīng)用程序通常所需要的至關(guān)重要的訓(xùn)練數(shù)據(jù)集。Petrillo表示，他們團(tuán)隊(duì)的對(duì)策是：對(duì)引力透鏡周圍的光弧和光環(huán)進(jìn)行模擬，然后將它們加入到真實(shí)星系的圖像中。

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

換言之，該團(tuán)隊(duì)將這一問題視為二元分類之一：將匹配模擬結(jié)果的光弧和光環(huán)所包圍的星系標(biāo)記為透鏡，將不匹配的星系標(biāo)記為非透鏡。由于網(wǎng)絡(luò)從每一次模擬中不斷學(xué)習(xí)，因此研究人員可以縮小候選項(xiàng)的范圍。該團(tuán)隊(duì)發(fā)表的論文指出，這種方法一開始就能讓他們將761個(gè)候選項(xiàng)縮減為包含56個(gè)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(jié)果對(duì)比所需的時(shí)間，從而幫助實(shí)現(xiàn)了這一成果。在CPU上對(duì)比一批圖像需要25秒，而GPU則將速度提高了50倍。

“使用CPU會(huì)讓我的工作苦不堪言?！彼f道。

數(shù)據(jù)洪流來襲

隨著望遠(yuǎn)鏡和深度學(xué)習(xí)技術(shù)的不斷革新，引力透鏡的數(shù)據(jù)量預(yù)計(jì)會(huì)大幅增加。例如，Petrillo指出，歐洲空間局的歐幾里德望遠(yuǎn)鏡預(yù)計(jì)會(huì)產(chǎn)生數(shù)十PB的數(shù)據(jù)，而智利的大口徑全天巡視望遠(yuǎn)鏡每晚將產(chǎn)生30 TB的數(shù)據(jù)。

這意味著將需要處理大量數(shù)據(jù)、發(fā)現(xiàn)許多引力透鏡和認(rèn)識(shí)新的太空邊界。這也將為科學(xué)家提出新的挑戰(zhàn)。

Petrillo說：“找到大量引力透鏡意味著可準(zhǔn)確呈現(xiàn)星系的形成與演變，同時(shí)可深入了解暗物質(zhì)的性質(zhì)及時(shí)空連續(xù)統(tǒng)自身的結(jié)構(gòu)。我們需要使用高效快速的算法分析所有這些數(shù)據(jù)，而機(jī)器學(xué)習(xí)無疑將成為天文學(xué)家共同關(guān)注的事情?！?/p>