来自麻省理工学院计算机与人工智能实验室和哈佛大学的研究人员们，近期开发出了一种新的算法，它或许能够帮助宇宙科学家生成第一张黑洞图像。
来自麻省理工学院计算机与人工智能实验室和哈佛大学的研究人员们，近期开发出了一种新的算法，它或许能够帮助宇宙学家们生成第一张黑洞图像。
在 Event Horizon Telescope 国际联合会的支持下，该算法能够将全球的无线电天文望远镜所收集到的信息串联在一起。而这一项目的最终目标，将是把整个星球变成一个大型无线电望远镜的抛物反射面。
「无线电波有许多有利之处，」Katie Bouman 说，他是麻省理工学院电子工程和计算机的研究生，并领导着这一算法的开发。「就像无线电波频能够穿墙而过一样，它们也能够穿过星尘。而使用可见光波段，我们永远都看不到我们星系的中心，因为有太多的物质阻挡在其中了。」
但是，因为无线电波属于长波，它们同样需要抛物面天线。目前世上最大的单个抛物面无线电望远镜，直径长达 1,000 英尺，但是它所生成的月球图像，却比普通的光学望远镜还要模糊。
「黑洞距离我们非常、非常遥远，而且其内部很复杂，」Bouman 说。「这基本上相当于你在月球上用无心电望远镜观察地球上的一个柚子。如果要得到清晰的成像，我们需要直径达 10,000 千米的望远镜，这是不可能的，因为地球的直径甚至都不到 13,000 千米。」
对此，Event Horizon Telescope 采用的解决方法是，将全球不同地点的无线电望远镜收集到的信息整合在一起。目前，已经有六个天文台加入此项目，将来还会有更多的成员。
但是，即使望远镜的数量有现在的两倍之多，与 10,000 千米直径的抛物面望远镜相比，仍旧有很大的数据量的不足，而这就是 Bouman 的算法派上用场的地方。
Bouman 将这一新算法称作 CHIRP，也就是「使用图像块优先的连续高分辨率图像还原」（Continuous High-resolution Image Reconstruction using Patch priors）的缩写。在今年六月的的 CVPR（Computer Vision and Pattern Recognition conference）会议上，她将对此进行展示。她的导师、电子工程与计算机教授 Bill Freeman，麻省理工学院 Haystack 天文台的同事，以及来自哈佛 Smithsonian 天文物理中心的 Sheperd Doeleman 也将随她一同参会。Sheperd 同事也是 Event Horizon Telescope 项目的导师。
潜在的信号延迟
Event Horizon Telescope 使用一种叫做干扰量度法（interferometry）的技术，它将望远镜检测到的信号结合在一起，从而使信号互相干扰。事实上，CHIRP 能够被应用与任何使用无线电干扰量度法的图像系统。
通常，一个天文信号到达两个望远镜的时间是略有不同的。在从信号中提取视觉信息时，考虑到这一不同是十分重要的，但是地球的大气层同时又会减缓无线电波的速度，使得信号到达的时差更大，这往往使干扰量度法成像的算法失效。
对此，Bouman 采用了一种非常机智的代数解决方法：如果将三台王元新的测量结果相乘，那么因大气层噪音产生的额外信号延迟将会互相抵消。这意味着，每一个新的测量都需要三台望远镜同时接收，而不是两个，但是准确性的提升也弥补了信息的缺失。
保持连续性
即使过滤掉大气层噪音干扰，仅依靠全球几台望远镜所获得的测量信息，仍旧十分稀少；任何数量的可能图像都能够同样好地吻合相关数据。所以，下一步是，合成一张既符合数据描述、又与人们对图像的预期相吻合的图片。Bouman 和她的同事们在这一方面也做出了许多的努力。
用来解释天文干扰量度数据的传统算法，往往将一张图片视为不同光点的结合，然后寻找其亮度和位置与数据最吻合的那些点。接着，算法会将像临近的光点雾化，以使图像看起来更具有连续性。为了生成更可靠的图像，CHIRP 使用的模型更加复杂一些，但在数学上仍旧是可操作的。你可以将其想象成一块放有等距圆锥的橡胶板，它们的高度有所不同，但是基底的直径都是一样的。
要想使模型与干扰度量数据相吻合，需要调整的即是圆锥的高度。对于非常远的空间，圆锥的高度就可能为零，也就是一个平面。将模型转化为视觉图像的过程，就像在圆锥上缠绕塑料保鲜膜：锥顶与锥顶之间牵拉着塑料膜，而到达与平面相邻的圆锥时，塑料膜会沿着斜面向下延伸。塑料膜的高度代表的即是图像的亮度，而因为高度在不断的变化之中，这一模型能够展现出图像亮度的自然变化。
当然，Bouman 的圆锥们是数学抽象后的，而塑料膜则是虚拟的「膜」，其高度由计算给出。而且，事实上，样条函数（splines）所产生的平滑曲线，往往比圆锥形生成的模型更好。但是其基本思路是一样的。
先验知识
最终，Bouman 使用了一个机器学习算法，来识别经常在真实图像里的 64 位像素块中反复出现的视觉模式。她还进一步使用这些特征，来改进图像的还原。在不同的实验中，她从天文学图片和地表照片中分别提取图像块，但对训练数据的选择并不影响最终的还原结果。
Bouman 构建了一个庞大的人造天文图像数据库，其包含这些图片在不同望远镜中可能生成的测量结果，并考虑了大气层噪音的随机变化、望远镜内部的热力学噪音、以及其它噪音的影响。因此，她的算法比之前用于从测量数据中还原图像的算法要更加准确，并能更好地处理噪音的问题。她还将她使用的测试数据公开，使得其他研究人员也能使用。
关于 Event Horizon Telescope 这一项目，以色列理工学院的电气工程教授 Yoav Schechner 说，「以往，少量可用数据无法满足对图像还原质量的高要求，而这项研究通过多种方式来克服这一难题：对感知过程的谨慎建模、对先验图像模型的有效改良、以及能帮助未来研究人员测试新方法的工具。」
「假设你需要一个关于棒球的高分辨率视频，」Schechner 解释到，「球体运动轨迹的自然规律是某一个球的运动轨道的先验知识。本质上，先验知识限制了我们找到的未知事物。因此，我们仅需要十分稀疏的数据，就能够确定一个球在时空中的确切状态。」
「这篇论文的作者们，使用了一种十分先进的方法来学习先验知识，」他说，「这项应用在事件视界图像的先验模型方法是非常重要的。作者们十分勤奋，并勇于承担风险。他们从数学上深入探讨了单个优化设计问题、繁杂的感知过程、以及基于学习的图像先验模型。」
本文来源于"中国人工智能学会",原文发表时间"2017-04-06 "