想象一下：由計算機無人監督的整塊布製成的星團，星雲和其他星際現象。這可能聽起來像是未來派全息甲板的描述，但愛丁堡大學感知研究所和天文學研究所的研究人員在人工智能（AI）的幫助下設計了這樣一個系統。
在預印本服務器Arxiv.org上發表的一篇論文（“ 鍛造新世界：具有鏈式生成對抗網絡的高分辨率合成星系 ”）中，他們描述了一種能夠生成合成星系的高分辨率圖像的AI模型，該模型緊跟分佈真正的星系。
他們寫道：“21世紀的天文學發現自己擁有大量數據，其中大部分都是在捕獲過程中過濾掉的，以節省存儲空間。” “對於深度學習等現代技術而言，這種增長已經成熟。由於星系是這類應用的主要競爭者，我們探索利用[AI]來產生......星系圖像。“
團隊機器學習架構的核心是生成對抗網絡（GAN），由 生成樣本的生成器和試圖區分生成的樣本和現實樣本的 鑑別 器組成的兩部分神經網絡 。將GAN描述爲AI算法的神威者並不是一件容易的事。他們已經習慣了發現新的 藥物，創造出令人信服的漢堡和蝴蝶照片 ，甚至可以製作腦癌的人工掃描圖像。
上圖：AI系統生成的附加樣品。
提出的星系發生系統由兩個五層GAN組成：Stage-I GAN和Stage-II GAN。第一個生成低分辨率圖像（64 x 64像素），而第二個使用稱爲超分辨率的技術將它們轉換爲更高分辨率的圖像（128 x 128像素）。在實踐中，研究人員指出，Stage-II GAN幻覺缺失像素，瞄準現實主義而不是準確性。
爲了“鼓勵”舞臺Stage-II GAN中的發生器吐出類似於其放大的真實圖像對應物的合成星系圖像，該論文的作者引入了一種“雙目標函數”，計算出分辨率增強之間的誤差度量圖像和真正的星系。結果是更多的生成樣本保留了星系的“稀有”特徵，例如旋臂。
研究人員在具有單個Nvidia GTX 1060 GPU的PC上訓練AI系統，從Galaxy Zoo 2數據集（一個衆包天文項目）中提供恆星和行星體的全綵色圖像。他們在評估結果時考慮了四個屬性：橢圓度，或偏離圓度的程度; 水平方向的仰角; 總通量; 和半長軸的尺寸測量（橢圓最長直徑的一半）。
研究人員寫道，最終，該模型產生的“物理逼真”的星系圖像與真實的東西非常相似。他們認爲他們的系統可能用於增加真實樣本的數據庫，實際上是深度學習模型的數據源 - 例如那些用於分類和分割星系圖像的模型 - 需要大量的訓練樣本。
“能夠創造逼真的星系圖像的生成模型具有許多實際用途，”他們寫道。“[我們的]工作證明了GAN架構作爲現代天文學的寶貴工具的潛力。”