00后清华学霸用AI打败大气层魔法攻击，还原宇宙真面貌

　　本文转载自HyperAI超神经微信公众号
　　内容一览：从诞生的那一刻起，人类对宇宙的探索就从未停止。如今，这门古老的科学再次借助AI获得加速度。本文将展示AI与天文学的结合擦出了怎样的火花。
　　关键词：AI天文图像弱引力透镜
　　大气层的存在，对于地球生命至关重要，但对于天文观测而言，大气层会导致蒙气差、视宁度、大气消光等现象的出现，即使是用世界上最好的地面天文望远镜，获得的天文图像也很模糊。这种模糊有时会造成错误的物理测量，影响天文学家的科研进展。
　　为了应对这一挑战，近日，来自清华大学的李天骜和来自美国西北大学的艾玛亚历山大（EmmaAlexander）等科研人员，利用模拟数据训练了一种计算机视觉算法，对天文图像进行锐化还原，同时，这一算法还与薇拉C鲁宾天文台的成像参数进行了匹配，明年天文台开放时，该工具可以直接与之兼容。
　　目前，这项名为GalaxyimagedeconvolutionforweakgravitationallensingwithunrolledplugandplayADMM的研究成果，已发表在《皇家天文学会月刊》上。
　　本研究成果发表在《皇家天文学会月刊》
　　论文地址：
　　https：academic。oup。commnraslarticle5221L317075894试验详解：用AI算法为天文图像祛魅
　　研究人员使用本研究来消除模拟的大气模糊现象
　　本论文中，研究小组针对实际模拟数据对经典和现代的去除模糊的方法进行了基准测试，包括椭圆度误差（ellipticityerrors）、计算时间和对PSF误差的灵敏度等方面，结果表明，unrolledADMM与传统消除模糊的经典方法相比，误差减少了38。6；与现代方法相比，误差减少了7。4。
　　现代方法GitHub地址：
　　https：github。comlukeli0425galaxydeconv
　　图像处理
　　要想对经典方法创建Benchmark并训练神经网络，清洁的groundtruthimage必须与真实的PSF和噪声模糊图像进行配对。为此，研究人员借助Galsim（modulargalaxyimagesimulationtoolkit）及COSMOS（COSMOSrealgalaxydataset）模拟基于地面的观测，创建了试验数据集。
　　Galsim：
　　https：github。comGalSimdevelopersGalSim
　　COSMOSrealgalaxydataset：
　　https：doi。org10。5281zenodo。3242143
　　图像处理流程概述
　　原始图像被随机剪切和旋转以模拟弱引力透镜效应（weaklensingeffects），然后使用随机的大气和光学PSF对这些图像进行卷积，并在添加高斯噪声前按比例缩放亮度。最后，将所有图像下采样到LSST的像素尺度。
　　目前该数据集已上线HyperAI超神经官网：
　　https：hyper。aidatasets23544
　　神经网络训练
　　研究人员使用Adam优化器在NVIDIAGeForceRTX2080TiGPU上对40，000个样本进行训练，其中用多尺度L1损失函数对groundtruth图像及重建图像训练了50个epoch。每个迭代数（N2，4，8）都训练了一个单独的网络，ResUNet作为降噪插件（17，007，744个参数），在神经网络中引入skipconnection，从而避免因迭代次数增加、神经网络加深而引起的梯度消失或爆炸。同时，训练CNN（80，236参数）来学习步长超参数。
　　神经网络训练过程中，研究人员使用的是PyTorch，同步提供了数据集生成和基准测试工具。
　　GitHub地址：
　　https：github。comLukeli0425GalaxyDeconv
　　不同SNR水平下的性能表现
　　研究人员在不同的SNR水平下对提出的方法进行了测试，并将其性能与其他算法进行了比较（如下图所示）。可以发现，低信噪比时，RichardsonLucy算法会产生噪声更大的重建结果，其中，galaxy会逐渐淹没在背景的噪声模式（noisypattern）中。
　　不同SNR水平下性能图
　　现代方法虽然可以抑制背景噪声，但会扭曲galaxy形状，特别是在低信噪比时格外明显。研究人员使用FPFS套件进行椭圆度评估（ellipticityestimation），结合已知的PSF进行逆向滤波（inversefiltering），或使用单点PSF作为无需逆向滤波的stableestimator，这被应用于本篇论文中所有涉及的反卷积方法的output。
　　随着SNR的降低，除本论文提出的unrolledADMM外，所有方法逐渐失效。
　　不同SNR水平下椭圆度误差中位数
　　如上图所示，随着SNR的降低，论文中提出来的8次迭代unrolledADMM神经网络，在不同SNR中性能最佳。
　　时间性能权衡
　　如下图所示，3张图对应的galaxyimage信噪比分别为20、40及100。误差棒显示了5倍的标准误差，括号中的数字表示迭代次数。
　　不同SNR下时间性能权衡
　　论文中提出的8次迭代unrolledADMM方法，在不同SNR水平下显示出比其他方法更优的性能和更低的方差（variance），但代价是更长的计算时间。
　　PSF中系统误差的稳健性
　　在实际观测中，星系中心的PSF是通过恒星测量的PSF插值计算得到的，然而视场中PSF的空间方差往往很难建模，因此，插值不能精确地重建星系间的有效PSF，这要求反卷积算法对PSF中的系统误差具有稳健性。
　　如下图所示，左侧图对应假设PSF中的剪切误差（shearerror），右侧图对应PSF中的尺寸误差（FWHM）。横轴下方的cartoonbar可以直观地显示PSF的系统误差。
　　假设PSF中的系统误差会导致椭圆度误差
　　研究人员提出的unrolledADMM和经典方法，对modelmismatch的敏感度更高。当PSF误差很大时，unrolledADMM与现代方法表现相当甚至要更好。
　　消融研究
　　通过改变网络结构并重新训练，研究人员分离出个别设计选择对unrolledADMM的影响。如下图所示，将损失函数从提议的多尺度损失改为ShapeLoss（如青色虚线）或MSE（如青色实线），会略微降低性能；删除超参数SubNet（紫色虚线）或后续迭代层，会降低高SNR下的性能；训练降噪器但不训练反卷积（ADMMNetstyletraining），会显著降低性能。
　　消融研究隔离出网络和训练设计选择的贡献
　　通过试验，本次研究获得了以上成果，但研究人员提出未来在以下方面仍能进行相关改进：
　　考虑和解决PSF中更高阶的误差，以获得更好的性能；
　　模拟数据可通过更准确的LSSTPSF光学模型和更真实的生成模型进行改进；
　　PSF插值可以包含在Pipeline中，并与低秩反卷积（lowrankdeconvolution）相结合。
　　目前，该研究重新生成模拟数据的代码以及数据集链接已经开源。清华学霸将兴趣与科研完美结合
　　值得关注的是，本论文的一作李天骜，本科就读于清华大学电子工程系。据其个人网站信息显示，他曾担任清华大学视觉智能与计算成像实验室担任研究助理，目前在美国西北大学生物启发式视觉实验室担任研究实习生，师从艾玛亚历山大（该论文二作）。
　　据介绍，他主要关注计算成像、计算机视觉、信号处理、优化和机器学习的交叉领域，尤其关注成像中的反问题求解、物理学引导的机器学习以及天文成像方面的研究。
　　如今，ScienceAI在各行各业兴起，在天文学领域也不例外。算力的提升、大数据时代的来临给本来需要巨大算力的天文学领域带来了更多的可能性。
　　日本科学家们正在使用智能AI驱动望远镜对太空中的物体进行分类，从而帮助物理学家编写和检验假设。印度天文学家创造了一种新的AI算法，从已知的5，000颗行星中，找出了大约60颗可能适合人类居住的行星。一批天文学家首次在一项星系合并研究中使用AI，确认星系合并导致了恒星爆发。腾讯与国家天文台启动探星计划，用来提高探星效率
　　越来越多的天文学家正将AI作为一种强大的探索工具，正如中国科学院国家天文台研究员、FAST首席科学家李菂所说，如果问天文学使不使用机器学习、深度学习等技术，就好像问20年前天文学用不用电脑一样。