编辑 | 萝卜皮
你知道地球的大气是由什么组成的吗？你大概记得它是氧气，也大概是氮气。借助 Google 的一点帮助，您可以轻松得出更精确的谜底：78% 的氮气、21% 的氧气和 1% 的氩气。
大气可以表明行星的性质，以及它们能否可以承载生命。然而，当谈到外大气层——太阳系外行星的大气层——的组成时，谜底是未知的。
由于系外行星如此遥远，已证明探测它们的大气层极其困难。研讨表明，人工智能 (AI) 大概是探索它们的最佳选择——但前提是能够证明这些算法以可靠、科学的方式思虑，而不是欺骗系统。
来自伦敦大学的研讨职员提出了一些通用评价办法，可以应用于任何训练有素的 AI 模型。特别是，他们训练了三种不同的流行深度神经网络（DNN）架构来从系外行星光谱中检索大气参数，并表明这三种架构都实现了良好的展望性能。
同时研讨职员对 DNN 的展望进行了广泛的剖析，这可以给定仪器和模型的大气参数的可信度限制。执行基于扰动的敏感性剖析，以确定检索结果对频谱的哪些特色最敏感。
该团队得出结论，对于不同的份子，DNN 展望最敏感的波长范围确实与其特色汲取地区一致。该办法有助于改进 DNN 的评价并为其展望提供可解释性。
该研讨以「Peeking inside the Black Box: Interpreting Deep-learning Models for Exoplanet Atmospheric Retrievals」为题，于 2021 年 10 月 13 日发布在《The Astronomical Journal》。
天文学家通常利用凌日办法来研讨系外行星，这涉及测量当行星从恒星前面经过时恒星发出的光的倾角。如果行星表面存在大气，它可以汲取少量恒星的光。
通过在不同波长（光的颜色）下观察这一事件，可以在汲取的星光中看到份子的指纹，在光谱中形成可识别的图案。如果恒星与太阳相似，则木星大小行星的大气产生的典型信号只会使恒星光减少约 0.01%。地球大小的行星产生的信号要低 10-100 倍。这有点像从飞机上创造地面上猫咪的眼睛颜色。
未来，詹姆斯·韦伯太空望远镜（JWST）和 The Ariel Space Mission 这两个探测器都将从太空轨道上调查系外行星，它们可以获取数千个系外大气层的高质量光谱。但是，由于大气层的复杂性，对单个凌日行星的剖析大概需要数天甚至数周才能完成。
科学家们试图训练人工智能来展望大气中各种化学物质的品貌。为了证明人工智能的可靠性，科学家研讨了人工智能的思虑模式。
窥视黑匣子内部
如果无法理解，就不能采用理论与工具。也许人工智能中的一个「小故障」，大概会得出在系外行星创造了生命的结论。人工智能在解释它们创造方面很糟糕。即使是人工智能专家也很难确定是什么原因导致网络提供给定的解释。这种劣势阻碍了人工智能技术在天文学领域的应用。
研讨职员开发了一种办法，可以一瞥人工智能的决策过程。该办法非常直观。假设 AI 必须确认图像能否包含猫。它大概会通过创造某些特色来做到这一点，例如皮毛或脸型。为了了解它所引用的特色和顺序，可以模糊猫的图像的一部分，看看它能否仍然可以识别出它是一只猫。
这正是科学家通过「扰动」或改变光谱地区为系外行星探测 AI 所做的训练。通过观察人工智能对系外行星份子品貌的展望在每个地区被修改时是如何变化的（比如说大气中的水），研讨职员开始构建人工智能如何思虑的「图片」，比如它用来决定大气中的水含量的光谱地区。
结果创造训练有素的人工智能在很大程度上依赖于物理现象，例如独特的光谱指纹——就像天文学家一样。
事实上，在学习方面，AI 和高中生并没有太大的不同——它会尽量避开艰难的道路（一步步解析），寻找各种捷径（套用公式），获取谜底。如果人工智能基于记住它遇到的每一个频谱来做出展望，那将是非常不可取的。
这一创造提供了第一种偷窥所谓「人工智能黑匣子」的办法，让研讨职员能够评价人工智能所学到的东西。借助这些工具，研讨职员现在不仅可以使用 AI 来加速对外部大气的剖析，而且还可以验证他们的 AI 能否使用了众所周知的自然法则。
也就是说，现在说完全了解人工智能还为时过早。下一步是精确计算每个概念的重要性，以及如何将其处理为决策。
这个前景对人工智能专家来说是令人兴奋的。AI 令人难以置信的学习能力源于它从数据中学习「表示」或模式的能力——这种技术类似于物理学家如何创造自然定律。
论文链接：https://iopscience.iop.org/article/10.3847/1538-3881/ac1744/meta
相关报道：https://phys.org/news/2021-12-ai-reliably-molecules-exoplanets-day.html