来历：科技日报

近几年，人工智能越来越多使用于地理学研讨。深度学习需求海量数据，而地理学正是AI大显神通的范畴。机器能够替人类从茫茫大海里捞针，捕捉到新的恒星、新的地外行星乃至暗物质。寻觅暗物质，机器比人的目光好。近期《核算天体物理学和世界学》宣布的一篇论文显现，美国劳伦兹伯克利国家实验室（以下简称伯克利实验室）等组织一同研发的深度学习AI结构，能够探寻世界里暗物质的痕迹。

辨认引力透镜，AI建功了

寻觅引力透镜是研讨暗物质散布的根本办法。巨大质量的物领会像透镜相同歪曲路过的光线，找出这种歪曲就能捕捉到不发光的质量物。

论文显现，伯克利实验室树立的深度学习AI结构CosmoGAN，能够剖析引力透镜与暗物质的相关。它能够创立高保真、弱引力透镜收敛图。

曾几何时，寻觅引力透镜所需的模仿和数据处理很费事。20名科学家花费了好几个月的时刻只能检查一小块空间图画。物理模仿需求数十亿个核算小时，占用数兆字节的磁盘空间。

神经网络的前进供给了时机。伯克利实验室领导的团队引进一种生成性对立网络（GANs）。研讨者穆斯塔法说：也有其他深度学习办法能够从许多图画中得到收敛图，但与竞赛办法比较，GANs生成十分高分辨率的图画，一同仍有神经网络的高效率。

现在，地理学家能够用CosmoGAN剖析大得多的天区，速度也更快。

CosmoGAN不是仅有获得发展的地理学深度学习神经网络。比方多伦多大学运用深度学习技能解析月球陨石坑的卫星图画，P8超级核算机的神经网络在只是几个小时内发现6000个新的陨石坑，是曩昔几十年中人类发现陨石坑数量的2倍。伊利诺伊大学厄巴纳-香槟分校运用深度学习来勘探和剖析黑洞磕碰的引力波。AI在地理学遍地开花。

数据太多，没机器玩不转

曩昔几年里，地理范畴的大多数方向都在测验运用人工智能。考虑到地理学要处理的数据之多，这是一个很天然的思路。让机器操练去剖析蛛丝马迹，不如此，未来的地理学将无法作业。

不久前举行的2019年GPU技能大会招引了全世界的人工智能学者。大会请来加州大学圣克鲁兹分校的地理学家布兰特罗伯特森讲演，他指出：地理学正在一场新的数据革新的风口。罗伯特森以为，新一代地理仪器有必要合作由深度学习驱动的新一代软件。

比方估量在3年后运转的大口径全天巡视望远镜（LSST）。它巡视南天那一半世界中的370亿个星系，生成一部时长十年的不间断视频。LSST装备的是32亿像素的相机，每晚发生25TB的数据，相当于现在先进地理望远镜终身奉献的一切数据。

再比方平方公里阵列射电望远镜（SKA）。它遍及全球，一部分天线在非洲南部8国布置，还有100多万天线坐落澳大利亚和新西兰。它的原始数据每天到达5千个PB，处理后也有50个PB左右。

暗能量巡天编制几亿个星系的星图；盖亚卫星测绘银河系数十亿恒星；兹威基项目每小时能够扫描3750平方度的天区。在我国，FAST每天的数据量将达150TB；郭守敬望远镜观测了901万条光谱，是世界上最大的天体光谱库

捕捉人类看不出的形式

数据越来越多，科学家企图聚合它们。但在GPU大会上，罗伯特森说，未来几个大型地理望远镜一同发生许多数据，聚合之后杂乱到人类无法直接运用。而加州大学圣克鲁斯分校的科学家企图处理这个问题。核算机科学系一名博士生创立的Morpheus深度学习结构，能够依据望远镜的原始数据，逐像素地分类天体。

加州大学圣克鲁兹分校的科学家们还用AI更好地研讨星系的构成。在他们2019年头宣布的一项研讨中，科学家用核算机模仿的星系练习核算机，让它学习星系演化的三个要害阶段。后来核算机剖析来自哈勃太空望远镜的星系图画，体现出奇好。

人工智能使用于人脸辨认，在海量数据练习后，能够依据一张相片，认出这个人化装和年迈时分的姿态。而世界中许多图画也可用相同的办法来归类。

深度学习能够寻觅形式，机器能看到十分杂乱的形式，而人类看不到。参加研讨的科学家大卫库说，咱们期望进一步测验这种办法。在概念验证研讨中，机器好像成功地在数据中找到了模仿中确认的星系演化的不同阶段。

帮地理学家找到另一个太阳系

2018年末的一篇报导显现，谷歌人工智能发力，从开普勒系外行星观测数据库里找到了新的行星。行星是很难寻觅的。坐落太空的开普勒卫星调查145000颗相似太阳的恒星，从恒星亮度弱小改变来发现行星。记载4年的数据中，包含大约35000个疑似的行星记载。地理学家用机器结合人眼来辨认，但最暗最弱的信号常被疏忽。

在谷歌AI的协助下，咱们发现了开普勒90i和开普勒80g两颗新行星。也让开普勒90被确以为第一个至少具有8颗行星的外星系。

神经网络和机器学习处理了140亿个数据点，之后成功挑选出了候选者。

NASA和谷歌说，未来新技能将找到更多系外行星。NASA还表明不必忧虑地理学家赋闲。NASA的科学家杰西道特森解说表明，数据供给给神经网络之前，需求地理学家进行分类，以便人工智能能够从中学习剖析出新的信息。

道特森说：AI今后肯定会和地理学家一同作业，成为必不可少的东西。

当然，机器学习也带来黑盒子危险：咱们得到了答案，但咱们不知道机器为何如此判别，或许答案是错的。机器也会犯错。地理学家将持续练习和习惯它。

延伸阅览

专家点评

深度学习还不具有物理直觉

的确，现在人工智能现已深化到了地理天体物理学的各个分支范畴。现在，美国劳伦兹伯克利国家实验室运用深度学习，能够快速依据世界三维密度散布，判别暗物质、暗能量等世界学根本常数，他们发现使用人工智能之后，计算量差错比从前使用传统计算学办法小不少。此外，咱们也运用深度学习在极低信噪比的光谱中寻觅世界前期的氢、碳元素，发现比传统办法也要好用。

一同，地理学家们也在使用深度学习，协助咱们判别天体的三维方位、远近，从而勾勒出三维空间的大标准结构。人们发现深度学习在对数据信息的发掘方面，或许强于咱们之前所用的传统办法。人工智能也被谷歌公司使用到勘探系外行星的范畴，并成功勘探到了几个系外行星能够说，人工智能现在在天体物理的前沿范畴被广泛使用。

但从物理学家的视点看，依据深度学习的人工智能或许也有其限制性。这种限制性在于它只能依据数据、在现已被界说得十分清晰的特定范畴内发挥作用。只能在物理学家的辅导下，把计算量的差错棒做得更小，估量某个量更精准，而现在尚无法辅导咱们发现数据背面的新物理规则。也不具有人类才有的，依据美、对称和简练的物理直觉。

举一个最简略的比方，比方说开普勒依据第谷的观测数据，能够发现开普勒第三规律，而现在再好的机器学习、人工智能算法或许也很难依据相同数据，重复这个发现。

所以说我以为深度学习在地理中使用的实质，现在还限制在做更好的计算和拟合这个方面。