编辑：QJP
2016年，来自夏威夷大学马诺阿分校天文研究所的天文学家们曾经发布了一份包含30亿个天体的目录，其中包括恒星、星系和类星体(超大质量黑洞的活跃核心)。
不过，对这个包含 2PB 数据的庞大数据库进行解析是一项不适合普通人甚至是研究人员的任务。2016年目录发布的一个主要目标是更好地描述那些遥远的光斑，并且在所有三维空间中绘制星系的排列图。
由于机器学习算法的强大能力，Pan-STARRS 团队现在可以将这些项目从他们的任务清单中删除了，他们的研究成果也已经发表在「皇家天文学会月报」。
Pan-STARRS 是一个由夏威夷大学天文研究所天文台开发和操作的广域天文成像系统。Pan-STARRS1(PS1)是即将完成的 Pan-STARRS 的第一部分，是数据版本1和2(DR1和 DR2)的基础。
PS1使用了1.8米望远镜和140亿像素相机(GPC1) 、用5个宽带滤光片对天空进行成像。PS1科学联盟资助了该望远镜的运行，用于各种天文学研究，同时PS1联盟由来自6个国家的14个机构的天文学家和工程师组成。
完整的 Pan-STARRS 系统将使用世界上最大的数码镜头，大约每周一次在夏威夷观测整个天空。这种大规模的调查将发现数千颗超新星，大大增加哈勃图上数据点的数量，从而提高我们了解宇宙膨胀历史及其加速率的精度。
团队的 PS1 望远镜位于夏威夷大岛的哈雷阿卡尔山顶，能够扫描 75% 的天空，根据夏威夷大学发布的新闻稿，它目前承载着世界上最大的深度多色光学调查。相比之下，SDSS只覆盖了天空的25% 。
图：15到30亿光年之间的星系，宇宙的密度图
为了给计算机提供一个参照系，并教会它如何分辨天体类别，研究小组转向了公开的光谱测量。这项研究的主要作者、前 IfA 宇宙学博士后罗伯特 · 贝克在新闻稿中解释说，「这些对物体颜色和大小的测量数是以百万计的」。
贝克说: 「利用最先进的优化算法，我们利用近400万光源的光谱学训练集来训练神经网络预测光源类型和星系距离，同时修正银河系中尘埃的消光现象」。
这些模型训练的效果很好， 在随后的神经网络对物体进行分类时表现出色，实现了星系98.1% ，恒星97.8% ，类星体96.6% 的成功率。
该系统还测定了与星系的距离，最多只有3% 的误差。根据夏威夷大学的说法，最终的成果是「世界上最大的恒星、星系和类星体三维成像目录」。
「这张美丽的宇宙地图提供了一个例子，说明 Pan-STARRS 大数据集的力量可以通过人工智能技术和补充观测来倍增」，研究小组成员肯尼斯 · 钱伯斯解释说，「随着 Pan-STARRS 收集越来越多的数据，我们将利用机器学习提取更多关于近地天体、太阳系、银河系和宇宙的信息」。
Pan-STARRS1将银河系绘制成了以前从未达到的详细程度。首次提供了银河系平面相当大一部分的全景视角，而从前因为绘制这些密集和尘埃密集区域的复杂性，通常会避开这一区域。
Pan-STARRS1的能力远不止于此: 它独特的成像深度、面积和颜色组合使它能够发现大多数已知的最遥远的类星体，这些是宇宙中最早的例子，巨大的黑洞在星系中心生长”。
这个由美国国家科学基金会资助的项目，可以通过米库尔斯基太空望远镜档案馆公开获得。数据库大小为300G，可以通过多种格式访问，包括可下载的计算机可读表格。
这项研究已经产生了一些有趣的科学成果，包括对太空中一个相当诡异的区域冷点的解释。通过使用 PS1望远镜，以及美国宇航局的广域勘测探测卫星，Pan-STARRS 的科学家们发现了一个巨大的超空间，是一个「跨越18亿光年的广阔区域」，其中的星系密度比已知宇宙中的通常情况要低得多，根据研究人员的说法，正是这个超级空洞导致了在宇宙微波背景中看到的冷点。
更新后的3D地图还将用于研究宇宙的整体几何形状，进一步测试关于标准宇宙模型的理论，分析古代星系，以及其他许多天文学和宇宙学研究的途径。
参考链接：
https://gizmodo.com/new-map-of-the-universe-fills-in-some-troublesome-gap-1844440929
推荐阅读：
原文链接：https://cloud.tencent.com/developer/article/1721705
