这个AI系统可以生成人造星系的图像

想象一下：由计算机无人监督的整块布制成的星团，星云和其他星际现象。这可能听起来像是未来派全息甲板的描述，但爱丁堡大学感知研究所和天文学研究所的研究人员在人工智能（AI）的帮助下设计了这样一个系统。

在预印本服务器Arxiv.org上发表的一篇论文（“ 锻造新世界：具有链式生成对抗网络的高分辨率合成星系 ”）中，他们描述了一种能够生成合成星系的高分辨率图像的AI模型，该模型紧跟分布真正的星系。

他们写道：“21世纪的天文学发现自己拥有大量数据，其中大部分都是在捕获过程中过滤掉的，以节省存储空间。” “对于深度学习等现代技术而言，这种增长已经成熟。由于星系是这类应用的主要竞争者，我们探索利用[AI]来产生......星系图像。“

团队机器学习架构的核心是生成对抗网络（GAN），由 生成样本的生成器和试图区分生成的样本和现实样本的 鉴别 器组成的两部分神经网络 。将GAN描述为AI算法的神威者并不是一件容易的事。他们已经习惯了发现新的 药物，创造出令人信服的汉堡和蝴蝶照片 ，甚至可以制作脑癌的人工扫描图像。

提出的星系发生系统由两个五层GAN组成：Stage-I GAN和Stage-II GAN。第一个生成低分辨率图像（64 x 64像素），而第二个使用称为超分辨率的技术将它们转换为更高分辨率的图像（128 x 128像素）。在实践中，研究人员指出，Stage-II GAN幻觉缺失像素，瞄准现实主义而不是准确性。

为了“鼓励”舞台Stage-II GAN中的发生器吐出类似于其放大的真实图像对应物的合成星系图像，该论文的作者引入了一种“双目标函数”，计算出分辨率增强之间的误差度量图像和真正的星系。结果是更多的生成样本保留了星系的“稀有”特征，例如旋臂。

研究人员在具有单个Nvidia GTX 1060 GPU的PC上训练AI系统，从Galaxy Zoo 2数据集（一个众包天文项目）中提供恒星和行星体的全彩色图像。他们在评估结果时考虑了四个属性：椭圆度，或偏离圆度的程度; 水平方向的仰角; 总通量; 和半长轴的尺寸测量（椭圆最长直径的一半）。

研究人员写道，最终，该模型产生的“物理逼真”的星系图像与真实的东西非常相似。他们认为他们的系统可能用于增加真实样本的数据库，实际上是深度学习模型的数据源 - 例如那些用于分类和分割星系图像的模型 - 需要大量的训练样本。

“能够创造逼真的星系图像的生成模型具有许多实际用途，”他们写道。“[我们的]工作证明了GAN架构作为现代天文学的宝贵工具的潜力。”