刚从国家天文台的老同学处听来一个小道消息，说他们跟腾讯合作，使用腾讯的人工智能算法和GPU算力，提升了在FAST望远镜（中国天眼）数据中搜寻脉冲星的效率，并且已经藉此发现了新的脉冲星。腾讯使用的具体方法目前还没有公布，具体发现的是什么样的脉冲星也要等论文发了才知道，不过这不妨碍我们根据已有的材料，做一番猜测。在此之前，我会先简单回顾脉冲星研究的意义，以及简单介绍脉冲星的搜索方法。
如果对这些背景已经有所了解，就可以直接跳到第三部分，看看人工智能是如何应用在脉冲星搜索中的。
脉冲星研究的意义：脉冲星是1967年，当时正在剑桥大学读研究生的约瑟琳·贝尔女士发现的。虽然已经过去了50多年，脉冲星仍然是一个不断给人惊喜的研究领域。它一被发现，首先就证实了一个遥远的猜测：1934年，巴德和兹维基在中子刚刚发现两年之际，提出可能存在一种完全由中子构成的天体——中子星。
而发出极短周期（通常小于1秒）脉冲的这种新天体，提示我们它就是“中子星”这种此前仅仅是猜想的致密物体。中子星的质量比太阳还重，而直径只有十几公里。相当于在北京三环以内集中了几十万个地球质量。于是一个首当其冲的问题就是，这么致密的物质组成的天体，其上物质的状态和性质是怎样的？这个问题的答案就藏在脉冲星的“心电图”中。长期监测我们会发现，随着转动能量的消耗，脉冲星的自转周期逐渐减慢。
但是偶尔，它的自转会突然有一个小幅加速（“glitch”）——这种脉冲星“心率”的突变，应当起源于脉冲星地质结构的突变，也就是脉冲星上的“地震”。
脉冲星周期衰减和突变“glitch”（示意图，glitch的幅度极大夸张）就像地球物理学家可以通过地震波的传播摸清地球核、幔、壳的结构，天文学家也可以通过监测脉冲星上的地震，研究极端致密物态组成的中子星的结构。
中子星结构的一种模型除了glitch的时候以外，脉冲星的周期非常稳定，堪比原子钟。于是脉冲星研究的另一个用途，是利用这种宇宙中天然存在的精密时钟，对广义相对论进行验证。天文学家对一对儿在1974年发现的毫秒脉冲星进行长期监测，发现其相互绕转周期加速的趋势，完全符合广义相对论的预言——它们之间不断相互接近，正是由于两个致密天体绕转时搅动时空，发出引力波，不断带走转动能量。
这是人类第一次获得引力波存在的间接证据。双毫秒脉冲星PSR B1913+16的轨道衰减将来，脉冲星还将以另一种方式为引力波研究做出贡献：当宇宙中某个地方发生双黑洞并合之类的引力波事件，引力波如海啸般向外扩散、扫过若干脉冲星，我们原则上可以通过监测这些脉冲星的周期变化，探知这次引力波事件的存在——这一方法，叫做“脉冲星计时阵列”。
脉冲星阵列还有另一个用途：在未来的星际旅行中，脉冲星可以充当“星际GPS”，为星际飞船提供导航所需的参考信号。
脉冲星的搜索方法：脉冲星用处很多，但总要先找到它们，才谈得上如何利用。
对于早期发现的那些亮脉冲星，它们辐射强度的周期性变化，用肉眼就能直接看出：贝尔发现的第一颗脉冲星CP 1919但对于大部分脉冲星而言，单个脉冲的强度很弱，几乎完全埋没在噪声中，只有通过按照周期折叠，让噪声彼此抵消，才能增强信噪比，把脉冲形状“露出来”。按周期折叠（示意图）但是问题来了，对于尚未发现的脉冲星，怎么知道它周期是多少、又该按什么周期折叠呢？有一个办法，就是傅立叶变换。
通过变换，可以计算出数据有哪些周期性信号。对于射电天文观测，还有另外一个复杂性。脉冲星跟我们之间，可能充斥着非常复杂的电离态星云。芬兰摄影师 J-P Metsavainio 拍摄的天鹅座窄带影像，示意银河系星际空间电离气体的分布脉冲星的信号经过这些星云时，会跟其中的自由电子发生相互作用。
不同频段的信号受到的影响不同：比较低频的，会受到比较强的“阻滞”，晚一些到达观测者；比较高频的，会早一些到达观测者。就像光通过棱镜时，由于不同颜色的光在玻璃中光速不同、折射率不同，会产生的色散现象一样，电磁波通过星际介质时的这种效应，也被称作“色散”。
左边是不同频率信号被“色散”之后的结果：高频先到达，低频后到达（横轴是相位，可以理解为到达时间；纵轴是频率）对于未知的脉冲星，我们是无法预知其色散的。我们只能大致估计出银河系内脉冲星的色散的数值范围，然后在这个范围内以一定间隔取值，对数据进行“盲”消色散。盲消色散之后的结果，才能进行傅立叶变换及按周期折叠。
显然，在取值范围内众多可能的色散中，正确的那个色散可以给出最好的信噪比；而越离谱的盲猜值，信噪比就越差：横轴是色散量，纵轴是信噪比使用脉冲星搜寻程序PRESTO，我们可以对脉冲星巡天的原始数据进行盲消色散和折叠处理，得到一系列（大量）这样的脉冲星候选体分析图表：原则上观察这样的脉冲星候选体分析图表，天文学家就可以判断出一组信号是否来自脉冲星；以及如果是脉冲星的话，它的周期、色散量等各项参数是多少。
人工智能在脉冲星搜索中的应用：下面问题来了。PRESTO产生了一大堆这样的图，天文学家就算再熟练，一秒看一张，也看不过来呀！毕竟脉冲星巡天是FAST望远镜的重要任务之一，而FAST每天可以产生500TB的数据，算下来每周都会产生三千万张脉冲星候选体的分析图表。你想想如果你导师让你这个小博士生一周看三千万张图，100个你不吃不喝啥也不干也看不过来呀。咋办呢？
笨办法，雇一帮热爱科学的高中生代劳，美名其曰公众科学：Pulsar Search Collaboratory 暑校合影美国 Pulsar Search Collaboratory 项目就是这么干的。这样做不是不行，顺便搞搞中学生天文教育也是好事。但人一多，标准就不好把控。而且人眼的特征识别能力虽然强，对于特别弱的信号，仍然会有遗漏和误判。于是天文学家开始求助于人工智能。
大而化之，人工智能在脉冲星搜索中的应用又分两种：一种，是天文学家先用PRESTO等软件把脉冲星候选体的特征数据提取好，诸如周期、色散量、信噪比，再如脉冲在整个周期中占的比例（占空比）、脉冲的数量和形状、是否由于身处双星系统而有周期性多普勒效应，等等。接下来，把这些参数组合喂给神经网络：给机器提供一些已知脉冲星的参数进行深度学习，然后用训练好的模型去分析海量未知数据。
由于前一种方法中，提取参数这一步可能引入误差，还有一种更“懒惰”而有效的方法：直接把PRESTO产生的那几张图（前一节末图中几个红框标记的）喂给AI，让AI自己进行画面特征提取。这次跟国家天文台中国天眼团队合作的是腾讯优图实验室，这是一个聚焦计算机视觉、专注图像处理的团队，因此我有理由相信，他们采用的是后一种方案。
另外据本人独家采访参与该工作的研究人员，腾讯云还提供了强大的GPU算力，有效加速了消色散和折叠过程。面对FAST的海量数据，强大的算力显然也是天文学家必不可少的重要工具。在腾讯的AI算法和GPU算力加持下，3000万张图，只需要3天时间就可以分析完成，确保了FAST脉冲星巡天数据可以得到及时有效的处理。有这样的工业界先进技术加持，天文学家再也不怕数据处理不完啦。