上圖向我們分别展示了一個原始星系的圖像（左邊第一張），經過退化處理了的星系圖像（左起第二張），經gan修複的星系圖像（左起第三張），以及之前的最先進的技術——“反卷積”技術加工完成的星系圖像（右邊第一張）。
天文望遠鏡是天文學使用的主要儀器，通常情況下會受到其自身鏡片或鏡頭大小的限制。望遠鏡在很大程度上會受到其鏡頭或鏡片的直徑，也就是所謂的“光圈”，的限制。簡單來說，鏡頭直徑越大，望遠鏡能集中的光就越多，天文學家對微小物體的偵探和觀察就越清楚。那奎斯特抽樣定理（又稱采樣定理）對分辨率的限制問題進行了闡述，該定理說明采樣頻率與信号頻譜之間的關系。
kevin schawinski，蘇黎世聯邦理工學院的教授，帶領着他的瑞士研究團隊，使用目前最新的機器學習技術去挑戰望遠鏡的“光圈限制”。他們向神經網絡輸入能模仿大腦神經元的計算方法，以及星系的具體形象，然後讓神經網絡自動恢複一張模糊的圖像，把它變成一張清晰的圖像。跟人類一樣，神經網絡也是需要通過一些例子（在這裡的例子指的就是同一星系的模糊圖像和清晰圖像）來學習和掌握這個技術的。
他們在自己的系統中使用了兩個互相競争的神經網絡，一個正流行于機器學習研究領域的新興方法——gan（generative adversarial network，生成對抗網絡）。值得一提的是，對這個神經網絡的訓練在一台高性能電腦上隻需要幾個小時就能完成。
經過訓練的神經網絡能夠識别和重構那些望遠鏡無法解決的特征，比如恒星形成區域、星系中的塵埃帶等等。科學家們通過與原始高分辨率的圖像的對比檢查來測試其性能，發現神經網絡是到現在為止科學家們所使用過的、最好的恢複圖像特征的方法，它比前幾年用于提高哈勃太空望遠鏡圖像分辨率的“反卷積”技術還要完備。《皇家天文協會月刊》記錄了這一全新的研究工作。
schawinski認為神經網絡的使用是一個巨大的進步，他說道：
我們可以重溫那些僅憑長年望遠鏡觀察來展開的天文調查，觀察其更多的細節，然後獲得更多關于星系結構的新發現。我們完全有可能将這一技術應用到來自哈勃太空望遠鏡，或是來自即将問世的“james webb太空望遠鏡”的那些深度圖像，進而更多地了解最早期的宇宙架構。
張策教授，專攻計算機科學領域的項目合作者同樣看到了神經網絡的巨大潛力，他表示：
大量的天文學資料對計算機專家來說一直都具有強大的吸引力。然而，當一個全新的技術産生時，比如說機器學習，天體實體學确實可以為之提供一個龐大的測試床用于應對最基本的計算問題，但在研究工作中，我們應該如何用機器學習系統來整合并且利用那些人類上千年來積累的研究成果呢？我們希望可以通過與kevin的合作，很好地解決這個問題。
這一項目的成功，預示着天體實體學領域的未來發展方向——資料驅動。這就意味着在天體實體學中，各類知識和資訊将能夠自動從資料中，而不是從人工制造的實體模型中整合出來。
現在，蘇黎世聯邦理工學院正在space.ml上着手準備一個開源項目，與全球研究者合作開展這一項跨學科（天體實體學和計算機科學）的開創性工作。
本文作者：圖普科技