人工智能时代的时域天文图像预处理框架---曹亮

近日,太原理工大学智能光学成像实验室在天文学期刊《Astronomical Journal》(AJ)上发表了题为 "Image Pre-Processing Framework for Time-Domain Astronomy in the Artificial Intelligence Era" 的研究论文。该论文提出了一种面向人工智能时代的天文图像预处理框架,利用GPU加速技术显著提升数据处理效率,为未来大规模时域天文观测和智能数据分析提供了重要支持。

研究背景

时域天文学是研究宇宙中随时间变化的天体或现象的一个重要领域,包括超新星爆发、伽马射线暴、引力波事件的电磁对应体等各种瞬变现象。这些天文事件往往短暂且变化迅速,需要对大量天文数据进行及时有效的处理与分析。

近年来,随着人工智能技术的迅猛发展,天文数据分析领域涌现出多种基于AI的新方法。这些方法能够高效、准确地处理海量天文数据,为天文研究提供了有力支持。在这一背景下,团队设计并实现了基于GPU的高效天文图像预处理框架,将图像质量评估、背景估计、图像对齐、图像减法、源检测和灰度变换等几个关键的图像预处理方法集成在一起,实现了数据预处理的全流程优化。该框架特别适用于时域天文观测数据,并能兼容不同的人工智能算法,为AI驱动的天文研究奠定坚实基础。

为了评估各模块的不确定性,团队利用SkyMaker生成了不同偏移程度、不同程度的背景波动以及不同尺寸和源密度的观测图像,并对框架在这些复杂场景下的性能和精度进行了全面而详细的评估,以量化各模块处理结果的可靠性与稳定性(如图1,2,3所示)。

图1 对不同偏移程度图像测试的结果

图2 不同程度的背景波动图像测试的结果

图3 对不同尺寸和源密度图像测试的结果

此外,团队还针对GWAC的真实观测数据构建了一个完整的数据预处理流程(如图4所示),并与传统方法进行了详细比较。实验结果表明,在效果相近的情况下,GPU加速框架在数据处理速度上有了巨大提升,比传统方法快了十余倍,体现出明显的优势。

图4 对不同尺寸和源密度图像测试的结果

未来,团队将持续优化该框架,结合强化学习和深度学习算法,进一步推进自适应目标检测和暂现源分类研究。为了促进研究合作,该框架现已封装为Docker镜像,并上传至中国虚拟天文台(China-VO),可供全球天文学者自由下载和使用。

论文解读内容由太原理工大学曹亮同学完成,相关视频链接:https://www.bilibili.com/video/BV1KbGbzgEqT/?share_source=copy_web

本研究由贾鹏教授指导,主要由组内的曹亮同学完成。曹亮同学于2023年本科毕业于太原理工大学,自2023年起加入智能光学成像实验室,开展机器学习及人工智能方面的研究,目前参与小组内图像预处理以及目标检测相关研究。