我院图形图像与模式识别实验室（IGPR）郭平教授课题组在人工智能与天文学交叉研究领域取得进展。近日，该成果以“Pulsar candidate classification using generative adversary networks”为题，在天文技术与方法领域TOP期刊《Monthly Notices of the Royal Astronomical Society》在线发表。

图1.论文信息

脉冲星的发现被誉为20世纪四大天文发现之一，关于脉冲星的发现在不到20年的时间里两次获得诺贝尔奖。脉冲星是射电天文学领域一个重要而有意义的研究课题，因此，对脉冲星的搜寻成为各大射电望远镜重要的科学目标。目前，FAST正在开展多目标漂移扫描巡天项目，每晚产生约100万个脉冲星候选体，必须利用脉冲星自动识别技术才能提高脉冲星筛选效率。但是，目前遇到的困难是实际脉冲星样本数量极其有限，导致了样本类别极度不均衡问题。使得基于传统的机器学习的技术难以对脉冲星识别性能再有较大的提升空间。为了解决小样本、样本类别不平衡等问题，在论文中提出了一个基于生成对抗网络的人工智能技术解决方案。该技术是一个将深度卷积生成对抗网络(DCGAN)与支持向量机(SVM)相结合的框架。该框架以DCGAN中的生成器作为样本生成和特征学习模型，SVM作为分类器，不仅可以解决类别不均衡问题，而且可以学习候选体的特征且不需要人工设计特征。该技术可以有效提高脉冲星候选体自动识别的精度，并在国家天文台提供的Parkes多波束脉冲星巡天数据的上进行实验，验证了该技术的有效性和实用性。此项研究为FAST脉冲星搜索的自动分析提供了一种新的方法，将加速中国射电波段大科学装置系统产生原创发现的速度。该技术为解决小样本和样本不均衡的分类问题提供了一个解决方案，并可容易迁移到基于光谱数据的稀有天体的搜寻任务。

图2.脉冲星灯塔模型示意图

该项工作由bat365中文官方网站、中国科学院国家天文台和北京理工大学合作完成，论文第一作者及通讯作者为我院的郭平教授。该研究得到了国家自然科学基金委员会与中国科学院天文联合基金重点支持项目(U1531242)等国家自然科学基金面上项目以及中国科学院战略性先导科技专项的资助。

 《Monthly Notices of the Royal Astronomical Society》期刊创建于1831年，是国际天文和天体物理研究方面的TOP期刊，近三年SCI影响因子为5.036，近两年总被引达276620。

论文地址：https://doi.org/10.1093/mnras/stz2975