深度迁移学习首次应用于宇宙星系研究 对星系分类准确性达99.8%

去年秋季研究人员在也业界首次使用深度学习探索暗物质，现在相同的技术也已经被用于研究星系和星系的分类。

美国伊利诺伊大学和美国阿贡国家实验室日前发布名为《在暗能量调查中大规模构建星系目录的深度学习》论文。

在这篇论文中研究人员介绍利用神经网络构建模型，可以将星系分为椭圆形或者螺旋形并且以及达到专家级水准。

这种分类通常是是进行研究的首个步骤，随后研究人员会根据这些信息继续研究星系的年龄以及暗能量的性质等。

在实际操作中团队研究人员使用 Xception 的深度转移学习 , Xception是个已经存在许多年的图像分类模型技术。

在美国阿贡国家实验室的超级计算机上 , 使用英伟达的专业级显卡用时8分钟完成 35000 个星系图像的训练分类。

当模型训练完成后研究人员使用单个NVIDIA V100 Tensor Core GPU 对未知的星系进行识别并获得极高准确性。

例如在实际训练中该模型仅仅用时30秒就完成10000个星系的分类，其准确性达到惊人的99.8%即专家级准确性。

这可以极大地提高研究人员对星系的分类效率并节省资源和时间，目前这个模型已经被研究人员用于实际分类中。

在论文中研究人员透露目前正在让这个模型对高达3 亿个星系进行分类，显然利用神经网络很快就可以完成分类。

这也标志着深度迁移学习技术开始用于天文学和宇宙的研究，接下来研究人员将继续致力于影响星系形态的研究。