人工智能模型的洞察力帮助天文学家提出观察遥远世界的新理论

　　机器学习模型越来越多地增强了人类进步的进程，利用它，人们可以更快地完成重复的任务，甚至提供一些系统性的见解。加州大学伯克利分校的天文学家在对引力微透镜事件进行建模后惊讶地发现这两种情况都会发生，从而为该现象提出了一个新的统一理论。
　　当来自远处的恒星和其他恒星物体的光线在它和观察者之间的近处物体周围弯曲时，就会发生引力透镜现象，短暂地给远处的物体提供一个更明亮但被扭曲的视野。根据光线的弯曲情况（以及我们对远处物体的了解），我们也可以了解到很多关于光线所弯曲的恒星、行星或系统的情况。
　　例如，亮度的瞬间飙升表明一个行星体正在穿越视线，而这种类型的读数异常，不知为何被称为＂退化＂，已经被用来发现数以千计的系外行星。
　　由于观察它们的局限性，除了少数基本概念如质量之外，很难对这些事件和物体进行量化。而退行性一般被认为属于两种可能性：即远处的光线经过时更接近于某个系统中的恒星或行星。含糊不清的情况往往与其他观察到的数据相协调，例如我们通过其他手段知道行星太小，无法造成看到的扭曲规模。
　　加州大学伯克利分校的博士生Zhang Keming正在研究一种快速分析和分类此类透镜事件的方法，因为随着我们更经常和更详细地勘察天空，它们会大量出现。他和他的同事在已知的重力微透镜事件的数据上训练了一个机器学习模型，然后把它放在其他一些不那么好量化的事件上。
　　结果是出乎意料的：除了巧妙地计算出一个观察到的事件何时属于两个主要的退行类型之一，它还发现了许多没有退行的事件。
　　＂以前的两种退行性理论处理的是背景恒星似乎靠近前景恒星或前景行星的情况。人工智能算法不仅向我们展示了这两种情况下的数百个例子，而且还展示了恒星没有靠近恒星或行星的情况，并且无法用以前的任何一种理论来解释，＂Zhang在伯克利的一份新闻稿中说。
　　现在，这很可能是由于模型调整得不好，或者只是对自己的计算不够自信而造成的。但张似乎相信，人工智能发现了一些人类观察者系统地忽略的东西。他们最终提出了一个新的、＂统一的＂理论，即如何解释这些观察中的退化现象，其中两个已知的理论只是最常见的情况。
　　他们研究了最近二十多篇观察微光事件的论文，发现天文学家们一直错误地把他们看到的东西归为一种或另一种类型，而新理论比两种类型都更适合现有的数据。
　　＂人们看到的这些微光事件，实际上表现出了这种新的退行性，但只是没有意识到这一点。这真的只是机器学习在观察数以千计的事件，它变得不可能错过，＂俄亥俄州立大学天文学教授Scott Gaudi说，他是该论文的共同作者。
　　需要注意的是，人工智能并没有制定和提出新的理论--那完全是人类的智慧。但是如果没有人工智能的系统化和自信的计算，很可能简化的、不太正确的理论会持续很多年。就像人们学会了信任计算器和后来的计算机一样，我们也在学习信任一些人工智能模型，以输出一个没有先入为主和假设的有趣的真相--也就是说，如果我们没有把自己的先入为主和假设编码进去的话。
　　《自然-天文学》杂志上发表的一篇论文描述了新的理论和对导致它的过程的描述。对于天文学家来说这可能不是新闻（它是去年的预印本），但机器学习和一般的科学工作者可能会珍惜这个有趣的发展。