想（xiǎng）象一下，星团、星云和其他（tā）星际现象都是（shì）由计算机在无人监督（dū）的（de）情况下（xià）凭空生成的。这（zhè）听起来可能像是对未来（lái）全息技术（shù）的描述，但是（shì）爱丁堡大学（xué）感知研究所和天文学研究所（suǒ）的研究人（rén）员，就在人工智（zhì）能（néng）的帮助下设（shè）计了这样一个系（xì）统（tǒng）。

研（yán）究人员描述（shù）了一种人（rén）工智（zhì）能模型，该模型能够生成合成星系的高分辨（biàn）率图像，这些图像遵循了（le）真实的（de）星系（xì）分布。

“21世（shì）纪的（de）天文学发现自己拥有大量（liàng）数据，大（dà）部分（fèn）数据在捕获时会被过（guò）滤掉，以节省内（nèi）存存储，”他们写道。“对于深度学习等现代（dài）技术来说，进入这一（yī）领（lǐng）域的时（shí）机已经成熟。星系在（zài）这类应用中起了关键作用，我们探索了利用人工智（zhì）能来生成星（xīng）系图像的可能性。”

该团队机器学习（xí）架构（gòu）的（de）核心是生成对抗性网络（GAN）——由生成样（yàng）本的生成器（qì）和试图区分生（shēng）成样本和真实样本的（de）鉴（jiàn）别（bié）器组成的两部分（fèn）神（shén）经网络。将GAN描述为AI算（suàn）法中的“神（shén）童（tóng）”并不夸（kuā）张；它（tā）们被用（yòng）来（lái）发现新药，制作（zuò）令人信服的汉堡和蝴蝶照片，甚至生成（chéng）脑癌（ái）的（de）人（rén）工（gōng）扫描图。

这一星系生成系统由（yóu）两个五层GANs组成：阶段一（yī）GAN和（hé）阶段二GAN。第一个生成（chéng）低分辨率（lǜ）图像（64x64像素），而第二个使（shǐ）用一种叫做超分辨率的技术（shù）将它们转换成高分辨率图（tú）像（128x128像素）。研究人员指出，在实际过程中（zhōng），阶段二GAN会自我填充缺失（shī）的像素，更加注重现实性而非准确性。

为了“鼓励”阶段二GAN中（zhōng）的（de）生成（chéng）器（qì）生（shēng）成类似于（yú）放大实像对应物（wù）的（de）合成星系图（tú）像，该论文作者引（yǐn）入了一个“双目标（biāo）函数（shù）”，该（gāi）函数计算（suàn）了分辨率（lǜ）增强图像和实像之间（jiān）的误差标准。其结果是生成（chéng）了（le）大量保留（liú）星系“更稀（xī）有”特征的样本，如旋臂。

研究人员使用（yòng）英伟达GTX 1060 GPU在PC上训练人工智（zhì）能系统，并为（wéi）其提供来自Galaxy Zoo 2数据集的恒星（xīng）和（hé）行星体的（de）全色图像，Galaxy Zoo 2是一个（gè）众（zhòng）包（bāo）天文学项目。他们在评估（gū）结（jié）果时考虑了四个属（shǔ）性：椭圆度，或偏离圆形度（dù）的程（chéng）度；与水平面（miàn）的仰角；总流（liú）量；以及半长轴（zhóu）（椭（tuǒ）圆（yuán）最长直（zhí）径的（de）一（yī）半）的尺寸测量。

在论文的最后，研究人员写道，该模型（xíng）生成了非常类似真实星系“物理（lǐ）真实”的图像（xiàng）。他们（men）认为（wéi），这一系统可以被用来扩充真实样本的（de）数据库（kù），实际上这也是深（shēn）度学习模型的数据源。

“能够创建物理真（zhēn）实的星系（xì）图像（xiàng）生（shēng）成模型（xíng）有许多实（shí）际用途，”他们写道。“我们的工作展示了GAN架构（gòu）作为现（xiàn）代（dài）天文学（xué）宝贵工具的潜力。”