讲座总结 | 神经网络解码宇宙——从系外行星到黑洞

文摘   2024-10-29 12:31   北京  

青年天文学会系列科普讲座  第十四讲

2024年诺贝尔物理学奖解读讲座

神经网络解码宇宙:

从系外行星到黑洞

Deciphering Universe with Neural Networks: from Exoplanet to Black Hole

2024年10月20日晚,在2024年诺贝尔物理学奖获奖名单公布12天后,青年天文学会(以下简称“青天会”)系列科普讲座第十四讲“神经网络解码宇宙——从系外行星到黑洞”在二教107教室成功举行。青天会邀请了北京大学未来技术学院/国家生物医学成像科学中心孙赫研究员作为本次讲座的主讲人,与大家分享了人工智能在本年诺贝尔物理学奖中的科学涵义。本场讲座在青天会的Bilibili账号和蔻享学术平台上进行了同步直播。此外,来自北京林业大学、对外经济贸易大学、北京航空航天大学、北京师范大学、中国石油大学、清华大学等高校,以及北京大学附属中学的不少天文爱好者也来到讲座现场,共享天文科普盛宴。


图为本次讲座现场

2024年10月8日,2024年度诺贝尔物理学奖揭晓:John J. Hopfield和Geoffrey Hinton获得这一殊荣,以表彰他们在使用人工神经网络的机器学习方面的基础性发现和发明。消息一出,科学界立刻沸腾起来:物理学奖为何颁发给人工智能?物理学还存在吗?物理和人工智能到底有什么关联?针对这些问题,孙赫老师开篇结合诺贝尔物理学奖的获奖相关信息与大家分享了相关概念和见解,透过神经网络的发展历程为同学们解读了人工智能和物理规律的深层联系。随后,孙赫老师结合自己的科研经历,深入浅出地探讨了人工智能工具在系外行星探测和黑洞成像等前沿天文课题当中的应用。讲座言近旨远,精彩纷呈,令人印象深刻。


图为孙赫老师

毫无疑问,人工智能对我们现在和未来的生活都将产生深远的影响。什么是人工智能?事实上,我们当前所时常提到的人工智能,通常是指利用人工神经网络进行的机器学习。本届诺贝尔物理学奖的得主,两位人工智能领域的先驱,Hopfield和Hinton,他们正是利用了物理学当中的基本概念和方法,发展了神经网络的结构,使其有效处理信息的能力大幅提升。
什么是人工神经网络呢?孙赫老师结合生物知识向大家娓娓道来。我们知道,生物的智能来源于神经系统,而神经系统由百亿个神经元组成的神经网络构成,每一个神经元都可以接受(输入)信息、处理信息、传递(输出)信息。类似地,如果我们在计算机中模拟出与神经元类似的结构并连接成网,通过模仿神经系统的工作方式,即多层的“输入、处理、输出”,或许也能实现和生物类似的“智能”。这就是人工神经网络的雏形。


Hopfield网络示意图

虽然人工神经网络的初步想法早在上世纪中期就已经被提出,但是一直没有得到很好的应用。直到Hopfield——本届诺贝尔物理学奖获得者——在上世纪七十年代意识到,物理学寻找的是万物运行的模式,而神经网络也具有某种“模式”;物理系统在某种程度上和神经网络是相似的,因此可以用物理学中的一些模型来描述神经网络。由此,Hopfield通过借鉴统计物理当中用于描述自旋的Ising模型,提出了Hopfield网络——每一个节点的状态和周围的节点相关,从而构建了节点和节点之间的联系。同时,Hopfield还在网络中定义了“势能”的概念,整个网络的状态倾向于一个“势能”较小的状态。这样,Hopfield网络就可以先通过一定量的“学习”来调整节点之间的关系,使得“势能”较小;再通过学习到的关系对输入的信息进行处理,从而完成一定的任务。


Hopfield网络中“势能”概念的示意图

举例而言,我们可以通过向Hopfield网络输入很多标准的字母J的图片,让整个网络不断调整各个节点之间的关系,这就是“学习”的过程。学习完成之后,输入一张模糊的字母J的照片,机器就可以根据学习到的“关系”识别出这是字母J,完成图像识别的任务。

而Hinton进一步在Hopfield网络的基础中进一步加入了统计物理的规律。他在网络中增加了隐藏节点,并引入了玻尔兹曼概率分布。因此,Hinton的网络可以完成更多复杂的任务。

由此可见,神经网络框架的提出受到了物理规律的深刻启发


神经网络在天文学中的部分应用

孙赫老师进一步介绍说,神经网络工具不仅受到物理规律的启迪,还显著推动了物理学乃至自然科学的发展。例如,神经网络目前已经广泛应用于系外行星搜寻和银心黑洞成像等前沿天文课题当中,深刻改变了研究的范式。


孙赫老师首先例举了银心黑洞成像问题。由于银心黑洞距离我们十分遥远,因此成像工作尤其困难。形象地说,在地球上看银心黑洞,就如同在拉萨布达拉宫看上海外滩上的一粒盐。因此,如果想要分辨出银心黑洞,就必须要建一个和地球一样大的望远镜,这显然是不现实的。因此,科学家们想出了“甚长基线干涉测量”的方法,通过分布在地球上不同位置的望远镜接力测量,再通过数据分析和处理,得到等效地球大小望远镜的观测效果。


银河系中心黑洞动态重建


那么数据分析的方法是什么样的呢?传统的数据分析方法是“概率图像重建”,简单来说就是让电脑“猜”,先猜一张图片,如果能比较好地满足观测数据就把它保留下来,如果不满足就把它丢掉并继续猜,直到猜出近万张图片。这是一个任务量非常庞大的工作。

这时就需要深度生成模型“闪亮登场”了。通过给人工神经网络输入不同的白噪音,神经网络可以高效地输出不同的黑洞图像,不再需要一次次地“猜测”。传统“猜”的方法需要好几天才能完成的任务,利用神经网络仅需一个小时就可以完成。

同时,利用神经网络还可以对地球上望远镜的分布做出优化,因为对望远镜的选择与否以及望远镜之间的相关性可以用神经网络的结构很好地予以描述。


利用神经网络对地球上未来的望远镜的分布做出优化

此外,孙赫老师还讲解了神经网络在系外行星成像当中的应用。系外行星的探测有多种方法,如凌星法、直接成像法等。其中,对于直接成像法,可以利用人工智能动态调整望远镜镜面形状,从而抵消波前像差,得到行星较为清晰的光信号。此外,类似黑洞成像的数据处理,行星轨道的分布和大气成分的分析,也可以通过深度生成模型更加高效地完成。人工智能工具已经广泛地应用于前沿科学研究的数据处理当中,深刻改变了研究范式


利用人工智能动态调整望远镜镜面形状抵消波前像差

在讲座的末尾,孙赫老师引用了普林斯顿大学教授Freeman Dyson的一句话对讲座做了总结:很多时候,新的科学发现往往是被新的工具而不是新的理论所指引的理论驱动的革命往往是用新的方法解释旧的东西,而工具驱动的革命往往是能发现那些用理论解释不了的新的东西

事实上,学科的边界很多时候并不重要。人工智能背后的物理启发和它给物理学研究方式带来的深层变革,或许才是本届诺贝尔物理学奖背后更重要的意义。

图为正在提问的同学们


讲座结束后,对于现场和线上同学提出的关于AI4Science和模型准确性等问题,孙赫老师也一一耐心地给出了详尽的解答,让现场和线上的各位同学收获满满。

最后,孙赫老师在会旗上签名留念,学会骨干为孙赫老师送上鲜花与纪念品,本次活动圆满结束。

图为孙赫老师与到场同学们合影



文案:丁恒宇

排版:杜骏豪

点击查看往期推送

科普讲座 | 第十四讲:神经网络解码宇宙

科普讲座 | 第十三讲:太阳风暴全解读

科普讲座 | 第十二讲:天文八卦学家刘博洋

北大青年天文学会
向会员及广大天文爱好者传达活动信息、科普天文知识,与大家共赏天文之美。
 最新文章