宇宙30亿岁时是何状态？中国天文学家领衔最新研究发现揭秘

　　中新网北京5月16日电 (记者 孙自法 郑莹莹)目前宇宙的年龄已有约138亿年，在其约30亿年时的演化早期是怎样的状态？

　　来自中国科学院上海天文台的消息说，该台葛健研究员带领的国际团队最新发现极其稀少的107例宇宙早期星系关键探针中性碳吸收体，进一步分析研究表明，早在宇宙约30亿岁的演化早期，这些携带中性碳吸收体探针的早期星系，已经过快速物理和化学演化，进入介于大麦哲伦矮星系和银河系之间的物理和化学演化状态。

　　为什么选择中性碳吸收体

　　本项研究通过人工智能的深度学习方法，对国际斯隆巡天三期释放的类星体光谱数据进行微弱信号搜寻和数据分析，发现107例宇宙早期星系内的冷气体云块成分的关键探针中性碳吸收体。相关研究方法与成果对探索星系如何形成和演化提供了新的研究方式，也充分显现人工智能在天文海量数据中探寻微弱信号的广泛应用潜力和前景。研究成果论文5月15日在国际天文学顶级期刊《皇家天文学会月报》(MNRAS)上发表。

　　葛健指出，研究冷气体和尘埃为天文学家们理解星系从“最初组装”到恒星形成时期的剧烈变化、再到演化后期的整个星系生命周期提供了关键手段，而想要研究冷气体和尘埃，就需要探针。由于早期宇宙的星系离地球太遥远，天文学家无法将星系自身发的光作为探针来观测并研究冷气体和尘埃。然而，宇宙中比星系要亮百倍以上的类星体所发出的光在经过宇宙早期星系时会被其中的气体和尘埃吸收，产生类星体的吸收光谱。其中，中性碳的吸收光谱可以帮助天文学家准确跟踪冷气体云块，因此，中性碳吸收体成为研究星系形成和演化的重要探针。

　　人工智能如何助力“大海捞针”

　　葛健表示，由于中性碳吸收线的信号微弱且极其稀少，需要在海量类星体光谱数据中寻找，如同大海捞针。

　　为此，国际合作研究团队通过使用人工智能的深度学习方法，设计神经网络，生成基于实际观测的中性碳吸收线特征的大量仿真样本去训练深度学习神经网络，并使用这些被“训练好”的深度学习神经网络在斯隆巡天三期释放的数据中搜寻中性碳吸收体。

　　通过这种方式，研究团队很快发现了极其稀少的107例宇宙早期星系内的冷气体云块成分的关键探针——中性碳吸收体。本次获得的样本数是此前获得最大样本数的近两倍之多，并且成功探测到更多比以前更微弱的信号。

　　研究团队采用创新方法，首先形成与真实吸收线无任何区别的仿真信号来充分训练深度神经网络，使之学习吸收线的所有特征；为提高探测灵敏度，研究团队有意增加了低信噪比样本的训练，使深度学习神经网络的探测精度达到99.8%，探测完备性也显著提升约30%，达到99%。这种人工智能的训练和搜寻方式大大缩短搜寻时间，并提高探测灵敏度和对微弱信号探测的完备性。

　　怎样有效追踪星系演化过程

　　葛健介绍说，找到金属吸收线的中性碳吸收体可以提供一个研究星系和宇宙演化的强大工具，这些吸收体的谱线能提供有关早期星系内星际介质的化学成分和金属丰度的信息，帮助天文学家去追踪化学成分的富集过程和化学演化的历史。

　　这些吸收体还可以追踪尘埃形成和属性，提供星系中加热和冷却气体过程的理解以及如何促进分子的形成等。这些谱线的强度和恒星形成率与星系历史有关，因此可有效追踪星系的演化过程。

　　此次发现如此多冷气体的中性碳吸收体，研究团队把这些光谱叠加到一起，极大提高探测各种金属元素丰度的能力，并能直接测量尘埃吸附导致的部分金属丰度缺失。研究结果表明，早在宇宙只有约30亿年的年龄时，这些携带中性碳吸收体探针的早期星系已经过快速物理和化学演化，进入介于大麦哲伦矮星系和银河系之间的物理和化学演化状态，大量的金属产生，同时部分金属被吸附到尘埃上，产生观测到的尘埃红化结果。

　　研究成果未来有哪些应用

　　本项研究结果还独立验证了近期詹姆斯·韦伯太空望远镜首次在宇宙最早的恒星中探测到类似钻石的碳尘埃的新发现，预示部分星系的演化比预期要快得多，挑战了现有的星系形成和演化模型。研究团队认为，本次研究通过观测类星体的吸收光谱来研究早期星系，这将为未来宇宙和星系早期演化研究提供一个全新而强有力的研究手段，以及与詹姆斯·韦伯太空望远镜相互补的研究方式。

　　葛健表示，本次研究工作的突破性发现是人工智能在天文大数据领域应用的一个里程碑。要想使用人工智能在海量的天文数据中“挖”到重大新发现，就需要发展创新人工智能算法，使之能快、准、狠——即快速、准确、完备地探寻到这些很难在传统方式下找到的稀少而微弱的信号。

　　研究团队期望能将本次工作中的创新手段进一步推广到各类光谱中，使用人工智能高效训练和搜寻微弱光谱信号，也推广到图像识别中把多个相关结构截取出来放在一起，产生人工“多结构”图像来高效训练和搜寻微弱图像信号。

　　本项研究的创新方法具有在多领域图像识别以及微弱信号探测中巨大的应用价值和潜力，研究团队使用大量仿真数据训练深度神经网络的方法，也可以拓展使用人工智能搜寻稀少微弱信号的发现空间。

　　“在无法获得大量的实际观测数据时，我们可以通过充分认识需要搜寻的信号特征，然后人工生成具有这些特征的大量仿真信号来训练深度神经网络，这样我们就不再依赖以往有限的认知来发现宇宙新现象。这将为未来在海量的天文数据中‘挖掘’到新的信号和物理规律的大发现，提供非常有效的手段。”葛健展望说。(完)