林彥興
如果你想知道全校學生的學習狀況，你會怎麼做呢？
也許你會找幾個學生，仔細的詢問他們對於課程安排、老師的特質、段考的題型......這些因素對於學生的學習有什麼影響，得到他們清晰而完整的想法。
但你也可以設計一份問卷發給全校所有學生，即使問卷能給你的答案往往不能像當面詢問學生一樣詳細，但卻可以得到全校所有學生整體的觀點，而不用擔心個別學生的偏差。
天文學家使用天文台的方式也與這個類似。
第一種（也許比較符合多數人的印象）是專注的拿望遠鏡盯著特定的目標，鉅細靡遺的觀測它的細節，研究特定天體的結構、組成等等。
第二種，則是將望遠鏡用於拍攝大面積的天空，然後像尋寶一樣，利用統計方法，在海量的資料中尋找擁有科學價值的寶藏。比如星系在宇宙中如何分佈、是紅色的星系多還是藍色的星系多......等等。這樣的拍攝方式，被稱為「巡天 Survey」。世界各地大大小小的巡天計畫琳琅滿目且各有所長，比如在星系天文學領域名聞遐邇的「史隆數位巡天 SDSS」；用於追蹤近地小天體的「卡特林娜巡天計畫 CSS」；善於即時觀測星體亮度變化的「史維基瞬變設備 ZTF」等等。
本次的主角「泛星計畫 Pan-STARRS」團隊正是世界上眾多的巡天計畫之一。泛星計畫全名「全景巡天望遠鏡和快速回應系統」，是由夏威夷大學主導的巡天計畫。它的其中一項重要任務，是像個哨兵一般，藉由頻繁的拍攝大面積的夜空，尋找並監控地球附近危險的「近地天體 NEO」，比如小行星、彗星等等。讓天文學家及早發現可能撞擊地球的危險天體，提供人類足夠的準備時間。
但除了行星防禦之外，泛星計畫產出的大量影像也相當具有科學價值。從 2010 年到 2014 年，它們利用夏威夷哈萊亞卡拉火山山頂一座口徑 1.8 公尺、名為「PS1」的望遠鏡，搭配一個 14 億像素的相機「GPC1」，以「g, r, i, z, y」五種濾鏡 [1]，拍攝了全天空 3/4 的面積[2]。
然而，光有照片還不夠。天文學家想要辨別影像中每一個亮點，到底是哪一種天體（恆星、星系、還是類星體？）以及這些天體的紅移，以此將一張張的「影像」轉化成一個包含每個天體的位置、類型、紅移等諸多資料的「目錄」，才方便進行更深入的研究。但整片星空中的天體如此之多（數十億個以上），用人工來分辨它們恐怕得做到天荒地老，而且準確度欠佳。過去，天文學家會設計各種複雜的軟體，利用光點的大小與不同波段影像的比較進行判斷，但這些方法仍有相當的進步空間。
Image taken from PanSTARRS-1 archive. An i band image cut at 12:36:49.4 +62:12:58.
這就是人工智慧/機器學習進場的時候啦！早在 2000 年代末，天文學家就開始嘗試利用機器學習進行類似的工作，經過十多年的發展，現在機器學習已經表現得比許多傳統的方法更好。而在這次的研究中，夏威夷大學的天文學家們正是使用了機器學習的方法，來將泛星計畫拍攝的資料轉化成目錄。它們首先將過去其他天文學家已經分類好的資料作為範本，用於訓練人工智慧。然後訓練完成的人工智慧，就能快速而正確的從泛星計畫的觀測資料中識別出星體的類型，並計算他們的紅移，製成目錄。最終的成品一共包含了 2,902,054,648 個天體，打破老前輩 SDSS 的紀錄。而這些海量的資料，將會幫助其他天文學家，繼續攻克宇宙的奧秘。
註解
[1] 《什麼是天體真實的顏色？》科學 Online
[2] 精確的說，泛星計畫第一期的巡天可以分為 3 Pi Survey （佔56%的時間）、Medium Deep Survey（佔25%的時間）、搜尋潛在威脅天體（約佔8%的時間）三個大項目*。而本次介紹的目錄中所使用的，正是 3 Pi Survey 的資料。
延伸閱讀
原始論文
Astronomers produce largest 3-D catalog of galaxies
Pan-STARRS1 data archive home page
Acknowledgment
Huge thanks to Hsu Yun-Hsin and Huang Yu-Hsiu for reviewing this article.
留言
張貼留言