近日，由中国科学院上海天文台葛健教授领导的国际团队利用深度学习神经网络，对斯隆数字巡天III (SDSS-III)项目发布的类星体光谱数据中罕见的微弱信号进行了搜索。通过引入探索星系形成和演化的新方法，该团队展示了人工智能(AI)在识别天文大数据中罕见的微弱信号方面的潜力。这项研究发表在《皇家天文学会月报》上。

宇宙中带有尘埃的低温气体中的“中性碳吸收体”是研究星系形成和演化的关键探测器。然而，中性碳吸收线的信号很弱，而且非常罕见。天文学家一直在努力用传统的相关方法在大量类星体光谱数据集中探测这些吸收体。“这就像大海捞针，”葛健教授说。2015年，在SDSS早期释放的数万个类星体的光谱中发现了66个中性碳吸收体，这是获得样本数量最多的一次。

在这项研究中，葛健教授的团队基于实际观测，设计并训练了大量模拟中性碳吸收线样本的深度神经网络。通过将这些训练有素的神经网络应用于SDSS-III数据，研究小组发现了107个极其罕见的中性碳吸收体，比2015年获得的样本数量增加了一倍，并且检测到比以前更多的微弱信号。

通过叠加大量中性碳吸收剂的光谱，研究小组显著提高了探测各种元素丰度的能力，并直接测量了灰尘引起的气体中金属的损失。结果表明，这些含有中性碳吸收探测器的早期星系在宇宙只有大约30亿年的时候(目前宇宙的年龄是138亿年)经历了快速的物理和化学演化。这些星系在大麦哲伦星云(LMC)和银河系(MW)之间进入了一种演化状态，产生了大量的金属，其中一些金属结合在一起形成了尘埃颗粒，导致了观测到的尘埃变红的效果。

这一发现独立地证实了詹姆斯·韦伯太空望远镜(JWST)最近的发现，该望远镜在宇宙中最早的恒星中发现了类似钻石的碳尘，这表明一些星系的演化速度比之前预期的要快得多，挑战了现有的星系形成和演化模型。

与通过星系发射光谱进行研究的JWST不同，这项研究通过观察类星体的吸收光谱来研究早期星系。应用训练有素的神经网络寻找中性碳吸收体，为未来研究宇宙和星系的早期演化提供了新的工具，补充了JWST的研究方法。

葛教授说:“有必要开发创新的人工智能算法，能够快速、准确、全面地探索大量天文数据中的罕见和微弱信号。”该团队旨在将本研究中引入的方法推广到图像识别中，通过提取多个相关结构来创建人工的“多结构”图像，从而有效地训练和检测微弱的图像信号。