- 專欄
文章專區
2018-02-01機器學習與天文學：無人大型巡天計畫
578 期
Author 作者
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）。
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當鳴著笛的救護車高速遠離駛去時，它的聲波頻率就變低了，同樣的原理在觀測遙遠的星系也適用。因為高速離我們遠去，所以在觀察它們的光譜時，會發現光譜往長波長（也就是偏向紅光）的方向移去，這個現象在天文學中稱之為紅移。透過紅移的程度，我們便可以測定星系的距離。但是光譜觀測需要耗費相當多的望遠鏡時間，因此天文學家們便想到使用光度的方式來測紅移。主要的原理是建立不同星系在不同紅移值的光度模板，然後將觀測所測得的光度與模板擬合，藉此標定光度紅移。但是過去的研究顯示，不同的模板所測出的光度紅移存在相當程度的系統誤差。為了減少誤差，天文學家們想到使用機器學習法來量測光度紅移。
使用機器學習進行全自動觀測與後續追蹤
在單純地對天體進行分類之餘，機器學習在巡天計畫裡，尤其是後續觀測上，更扮演了重要的關鍵角色。……【更多內容請閱讀科學月刊第578期】