该哈勃遗留领域的区域的哈勃空间望远镜图像包括一个大磁盘星系。
UCSC研究人员开发了一个被称为Morpheus的深度学习框架，以在天文图像中执行对象的像素级形态分类。
UC Santa Cruz的研究人员已经开发出一种名为Morpheus的强大新计算机程序，可以通过像素分析天文图像数据像素，以识别和分类来自天文调查的大数据集中的所有星系和星星。
Morpheus是一个深入学习的框架，它包含了各种用于图像和语音识别的应用的人工智能技术。在UC Santa Cruz领导计算天体物理学研究小组的天文学和天体物理学教授表示，天文数据集的迅速增加的天文学数据集规定使得自动化传统上的一些任务是必不可少的。
“我们根本不能像人类那样做一些事情，所以我们必须找到利用计算机来处理从大型天文调查项目的未来几年来处理大量数据的方法，”他说。
该图像显示了Hubble传统领域图像中区域的相应的Morpheus形态学分类结果。
Robertson在UCSC的Baskin工程学院的计算机科学研究生Ryan Hausen工作，在过去两年中开发和测试了Morpheus。在2020年5月12日之前出版了他们的结果，在Astrophysicy Journal系列系列中，Hausen和Robertson还在公开发布Morpheus代码并提供在线示威。
星系的形态，从旋转盘星系，就像我们自己的银河系到非晶椭圆形和球形星系，可以告诉天文学家如何随着时间的推移形成星系和发展。在智利的Vera Rubin天文台上进行的大规模调查，例如在Vera Rubin天文台进行的空间和时间（LSST），将产生大量的图像数据，罗伯逊一直参与规划如何使用这一点要了解星系的形成和演变。每天晚上LSST都将采用800多个全景图像，3.2亿像素摄像头，每周两次录制整个可见天空。
“想象一下，如果你去天文学家并要求他们分类数十亿的对象 - 他们怎么可能会这样做？现在我们将能够自动对这些对象进行分类并使用该信息来了解Galaxy Evolution，“Robertson说。
其他天文学家使用深学习技术来分类星系，但之前的努力通常涉及适应现有的图像识别算法，研究人员已经喂养了算法策划的星系的策划图像被分类。Hausen从专门为天文图像数据的地上构建了Morpheus，并且该模型用作天文学家使用的标准数字文件格式输入原始图像数据。
罗伯逊说，像素级分类是Morpheus的另一个重要优势。“与其他模型一起，您必须知道有些东西在那里并喂养型号图像，并立即对整个银河系进行分类，”他说。“Morpheus为您发现了星系，并按像素这样的像素，因此它可以处理非常复杂的图像，在那里您可能在磁盘旁边有一个球面。对于带有中央凸起的磁盘，它分别对凸起进行分类。所以这是非常强大的。“
为了培养深度学习算法，研究人员使用2015年研究的信息，其中数十名天文学家在坎德尔斯调查中分类了哈勃太空望远镜图像中的约10,000个星系。然后，它们将Morpheus应用于来自Hubble遗留领域的图像数据，其结合了几个哈勃深场调查所采取的观察。
当Morpheus处理天空区域的图像时，它会产生一组天空的新图像，其中所有对象都是基于它们的形态进行颜色编码的，将天文对象从背景中分离和识别点源（星形）和不同类型的星系。输出包括每个分类的置信水平。在UCSC的Lux超级计算机上运行，该程序迅速为整个数据集产生逐像素分析。
“Morpheus在目前不存在的粒度水平下提供天文对象的检测和形态学分类，”Hausen说。
商品南方的Morpheus模型结果的互动可视化，这是一个已经公开发布了数百万个星系的深场调查。美国宇航局和国家科学基金会支持这项工作。
参考：“Morpheus：天文图像数据的像素级别分析的深度学习框架“由Ryan Hausen和Brant E. Robertson，5月12日，5月12日，Astrophysical Journal Stime系列.doi：
10.3847 / 1538-4365 / AB8868
