想象一下，星团、星云和其他星际现象都是由计算机在无人监督的情况下凭空生成的。这听起来可能像是对未来全息技术的描述，但是爱丁堡大学感知研究所和天文学研究所的研究人员，就在人工智能的帮助下设计了这样一个系统。
研究人员描述了一种人工智能模型，该模型能够生成合成星系的高分辨率图像，这些图像遵循了真实的星系分布。
“21世纪的天文学发现自己拥有大量数据，大部分数据在捕获时会被过滤掉，以节省内存存储，”他们写道。“对于深度学习等现代技术来说，进入这一领域的时机已经成熟。星系在这类应用中起了关键作用，我们探索了利用人工智能来生成星系图像的可能性。”
该团队机器学习架构的核心是生成对抗性网络（GAN）——由生成样本的生成器和试图区分生成样本和真实样本的鉴别器组成的两部分神经网络。将GAN描述为AI算法中的“神童”并不夸张；它们被用来发现新药，制作令人信服的汉堡和蝴蝶照片，甚至生成脑癌的人工扫描图。
这一星系生成系统由两个五层GANs组成：阶段一GAN和阶段二GAN。第一个生成低分辨率图像（64x64像素），而第二个使用一种叫做超分辨率的技术将它们转换成高分辨率图像（128x128像素）。研究人员指出，在实际过程中，阶段二GAN会自我填充缺失的像素，更加注重现实性而非准确性。
为了“鼓励”阶段二GAN中的生成器生成类似于放大实像对应物的合成星系图像，该论文作者引入了一个“双目标函数”，该函数计算了分辨率增强图像和实像之间的误差标准。其结果是生成了大量保留星系“更稀有”特征的样本，如旋臂。
研究人员使用英伟达GTX 1060 GPU在PC上训练人工智能系统，并为其提供来自Galaxy Zoo 2数据集的恒星和行星体的全色图像，Galaxy Zoo 2是一个众包天文学项目。他们在评估结果时考虑了四个属性：椭圆度，或偏离圆形度的程度；与水平面的仰角；总流量；以及半长轴（椭圆最长直径的一半）的尺寸测量。
在论文的最后，研究人员写道，该模型生成了非常类似真实星系“物理真实”的图像。他们认为，这一系统可以被用来扩充真实样本的数据库，实际上这也是深度学习模型的数据源。
“能够创建物理真实的星系图像生成模型有许多实际用途，”他们写道。“我们的工作展示了GAN架构作为现代天文学宝贵工具的潜力。”
