前沿｜人工智能新算法「CHIRP」或幫助宇宙科學家生成第一張黑洞圖像

來自麻省理工學院計算機與人工智能實驗室和哈佛大學的研究人員們，近期開發出了一種新的算法，它或許能夠幫助宇宙科學家生成第一張黑洞圖像。

來自麻省理工學院計算機與人工智能實驗室和哈佛大學的研究人員們，近期開發出了一種新的算法，它或許能夠幫助宇宙學家們生成第一張黑洞圖像。

在 Event Horizon Telescope 國際聯合會的支持下，該算法能夠將全球的無線電天文望遠鏡所收集到的信息串聯在一起。而這一項目的最終目標，將是把整個星球變成一個大型無線電望遠鏡的拋物反射麵。

「無線電波有許多有利之處，」Katie Bouman 說，他是麻省理工學院電子工程和計算機的研究生，並領導著這一算法的開發。「就像無線電波頻能夠穿牆而過一樣，它們也能夠穿過星塵。而使用可見光波段，我們永遠都看不到我們星係的中心，因為有太多的物質阻擋在其中了。」

但是，因為無線電波屬於長波，它們同樣需要拋物麵天線。目前世上最大的單個拋物麵無線電望遠鏡，直徑長達 1,000 英尺，但是它所生成的月球圖像，卻比普通的光學望遠鏡還要模煳。

「黑洞距離我們非常、非常遙遠，而且其內部很複雜，」Bouman 說。「這基本上相當於你在月球上用無心電望遠鏡觀察地球上的一個柚子。如果要得到清晰的成像，我們需要直徑達 10,000 千米的望遠鏡，這是不可能的，因為地球的直徑甚至都不到 13,000 千米。」

對此，Event Horizon Telescope 采用的解決方法是，將全球不同地點的無線電望遠鏡收集到的信息整合在一起。目前，已經有六個天文台加入此項目，將來還會有更多的成員。

但是，即使望遠鏡的數量有現在的兩倍之多，與 10,000 千米直徑的拋物麵望遠鏡相比，仍舊有很大的數據量的不足，而這就是 Bouman 的算法派上用場的地方。

Bouman 將這一新算法稱作 CHIRP，也就是「使用圖像塊優先的連續高分辨率圖像還原」（Continuous High-resolution Image Reconstruction using Patch priors）的縮寫。在今年六月的的 CVPR（Computer Vision and Pattern Recognition conference）會議上，她將對此進行展示。她的導師、電子工程與計算機教授 Bill Freeman，麻省理工學院 Haystack 天文台的同事，以及來自哈佛 Smithsonian 天文物理中心的 Sheperd Doeleman 也將隨她一同參會。Sheperd 同事也是 Event Horizon Telescope 項目的導師。

潛在的信號延遲

Event Horizon Telescope 使用一種叫做幹擾量度法（interferometry）的技術，它將望遠鏡檢測到的信號結合在一起，從而使信號互相幹擾。事實上，CHIRP 能夠被應用與任何使用無線電幹擾量度法的圖像係統。

通常，一個天文信號到達兩個望遠鏡的時間是略有不同的。在從信號中提取視覺信息時，考慮到這一不同是十分重要的，但是地球的大氣層同時又會減緩無線電波的速度，使得信號到達的時差更大，這往往使幹擾量度法成像的算法失效。

對此，Bouman 采用了一種非常機智的代數解決方法：如果將三台王元新的測量結果相乘，那麼因大氣層噪音產生的額外信號延遲將會互相抵消。這意味著，每一個新的測量都需要三台望遠鏡同時接收，而不是兩個，但是準確性的提升也彌補了信息的缺失。

保持連續性

即使過濾掉大氣層噪音幹擾，僅依靠全球幾台望遠鏡所獲得的測量信息，仍舊十分稀少；任何數量的可能圖像都能夠同樣好地吻合相關數據。所以，下一步是，合成一張既符合數據描述、又與人們對圖像的預期相吻合的圖片。Bouman 和她的同事們在這一方麵也做出了許多的努力。

用來解釋天文幹擾量度數據的傳統算法，往往將一張圖片視為不同光點的結合，然後尋找其亮度和位置與數據最吻合的那些點。接著，算法會將像臨近的光點霧化，以使圖像看起來更具有連續性。為了生成更可靠的圖像，CHIRP 使用的模型更加複雜一些，但在數學上仍舊是可操作的。你可以將其想象成一塊放有等距圓錐的橡膠板，它們的高度有所不同，但是基底的直徑都是一樣的。

要想使模型與幹擾度量數據相吻合，需要調整的即是圓錐的高度。對於非常遠的空間，圓錐的高度就可能為零，也就是一個平麵。將模型轉化為視覺圖像的過程，就像在圓錐上纏繞塑料保鮮膜：錐頂與錐頂之間牽拉著塑料膜，而到達與平麵相鄰的圓錐時，塑料膜會沿著斜麵向下延伸。塑料膜的高度代表的即是圖像的亮度，而因為高度在不斷的變化之中，這一模型能夠展現出圖像亮度的自然變化。

當然，Bouman 的圓錐們是數學抽象後的，而塑料膜則是虛擬的「膜」，其高度由計算給出。而且，事實上，樣條函數（splines）所產生的平滑曲線，往往比圓錐形生成的模型更好。但是其基本思路是一樣的。

先驗知識

最終，Bouman 使用了一個機器學習算法，來識別經常在真實圖像裏的 64 位像素塊中反複出現的視覺模式。她還進一步使用這些特征，來改進圖像的還原。在不同的實驗中，她從天文學圖片和地表照片中分別提取圖像塊，但對訓練數據的選擇並不影響最終的還原結果。

Bouman 構建了一個龐大的人造天文圖像數據庫，其包含這些圖片在不同望遠鏡中可能生成的測量結果，並考慮了大氣層噪音的隨機變化、望遠鏡內部的熱力學噪音、以及其它噪音的影響。因此，她的算法比之前用於從測量數據中還原圖像的算法要更加準確，並能更好地處理噪音的問題。她還將她使用的測試數據公開，使得其他研究人員也能使用。

關於  Event Horizon Telescope 這一項目，以色列理工學院的電氣工程教授 Yoav Schechner 說，「以往，少量可用數據無法滿足對圖像還原質量的高要求，而這項研究通過多種方式來克服這一難題：對感知過程的謹慎建模、對先驗圖像模型的有效改良、以及能幫助未來研究人員測試新方法的工具。」

「假設你需要一個關於棒球的高分辨率視頻，」Schechner 解釋到，「球體運動軌跡的自然規律是某一個球的運動軌道的先驗知識。本質上，先驗知識限製了我們找到的未知事物。因此，我們僅需要十分稀疏的數據，就能夠確定一個球在時空中的確切狀態。」

「這篇論文的作者們，使用了一種十分先進的方法來學習先驗知識，」他說，「這項應用在事件視界圖像的先驗模型方法是非常重要的。作者們十分勤奮，並勇於承擔風險。他們從數學上深入探討了單個優化設計問題、繁雜的感知過程、以及基於學習的圖像先驗模型。」

本文來源於"中國人工智能學會",原文發表時間"2017-04-06 "