想象一下，星团（tuán）、星云和其他星际现象都是由计（jì）算机在无人监督的（de）情况下凭空生成的（de）。这听起来可（kě）能像（xiàng）是对未来（lái）全息（xī）技术（shù）的描述，但是爱（ài）丁堡（bǎo）大学感知研究所和天文学研（yán）究所的研究人员，就在（zài）人工智能的帮助下设计了这样一个系统。

研（yán）究人员（yuán）描（miáo）述（shù）了一种人工智能（néng）模型，该模型能够生成合成星（xīng）系的高分辨率图（tú）像，这些图像遵循了真实的星系分布。

“21世纪（jì）的天文学（xué）发现自（zì）己拥有大量数据，大部分数据在捕（bǔ）获时会被过（guò）滤掉，以（yǐ）节省（shěng）内存（cún）存储，”他们写道。“对于深度学习等现（xiàn）代技术来说，进入这一领（lǐng）域（yù）的时机已经成熟。星系在这类应用中起了关键作用，我们探（tàn）索了利（lì）用人工智能来生成（chéng）星系图像（xiàng）的（de）可能（néng）性。”

该团队机器学习架构的核心是生成（chéng）对抗性网络（GAN）——由生成样本的生成器和试图区分生成（chéng）样本（běn）和真实样本的鉴别器（qì）组成的（de）两部分神经网络。将GAN描（miáo）述为AI算法中的“神（shén）童（tóng）”并不夸张；它们被用来发现新药，制作令人信服的汉堡和蝴蝶照片（piàn），甚至生成（chéng）脑癌的（de）人（rén）工扫描图。

这一星（xīng）系（xì）生成系统由两个（gè）五层GANs组成：阶段一GAN和阶段二GAN。第（dì）一个生成（chéng）低分辨率图像（64x64像素），而第二个（gè）使用（yòng）一种叫做超分辨率的技术（shù）将（jiāng）它们转换成高分辨（biàn）率图像（128x128像素）。研究人员指出，在（zài）实（shí）际过程中，阶（jiē）段二GAN会自我填充缺失的像素（sù），更加注（zhù）重现实性而（ér）非准确性。

为了“鼓励”阶段二GAN中的生（shēng）成（chéng）器生成类（lèi）似于（yú）放大实像对应物的合成星系图（tú）像，该论文作（zuò）者引入了（le）一个“双目标函数”，该函数计算了分辨率增强图（tú）像和实像之间的误差标准。其结果是（shì）生成了（le）大量（liàng）保留星（xīng）系“更稀有”特征（zhēng）的样本，如旋臂。

研究人员使用英伟达GTX 1060 GPU在PC上训练人工智能系（xì）统，并为其提供来自（zì）Galaxy Zoo 2数据集的（de）恒（héng）星和（hé）行星体的全色图像，Galaxy Zoo 2是一（yī）个众包天文学项目。他们在评估结果（guǒ）时考虑（lǜ）了四（sì）个（gè）属性（xìng）：椭（tuǒ）圆（yuán）度，或（huò）偏离圆形度的（de）程度；与（yǔ）水平面的仰角；总流量；以及（jí）半长轴（椭圆最长直（zhí）径（jìng）的（de）一半）的尺寸测量。

在论文的（de）最后（hòu），研究人员写道，该模型生成了非常类似（sì）真实星系“物理真实”的图（tú）像。他们认为，这一系（xì）统可以被（bèi）用（yòng）来扩充真（zhēn）实样本的数据库，实际（jì）上这也是（shì）深度学习模型的数据源。

“能够创建物（wù）理真（zhēn）实（shí）的（de）星系图像生成模型有许多（duō）实际用途，”他们写道。“我们的工作（zuò）展示了（le）GAN架（jià）构作为现代天文学宝贵工具的潜（qián）力。”