重新审视宇宙距离梯度与深度学习方法，并探索其应用
内容提要
该文综述机器学习在天文学中的应用：利用规范流从噪声数据学习色-星等图，生成6.4亿恒星距离后验；利用深度学习映射星系与暗物质分布、生成星系图像、估算宇宙学参数、分类恒星与星系、识别宇宙射线并修复图像，并辅助科研战略规划。
延伸解读
规范流生成恒星距离后验
文章提到使用规范流算法从有噪声的视差和光度测量中学习色-星等图，并生成6.4亿颗近邻恒星的光度距离后验分布目录。这种方法能灵活建模多维概率分布，其产出可用于改善银河系盘层分离和亚结构检测，为恒星距离估计提供了新的数据驱动途径。
深度学习加速宇宙学模拟与参数估计
文章综述了多项研究：利用深度学习将星系分布映射到暗物质分布，以快速计算宇宙学模拟；使用链式生成对抗网络生成逼真星系图像；以及从弱引力透镜质量图中提取非高斯信息来估计宇宙学参数。这些工作表明深度学习在提高模拟效率和参数估计精度方面具有潜力。
机器学习辅助科学战略规划
文章介绍了一项利用潜在狄利克雷分配分析高影响力天文期刊摘要的研究，旨在识别研究兴趣的领先指标。该方法能反映十年规划确定的优先领域，并提出了两种度量方法，结果显示十年规划未能充分强调快速增长的研究，为科学政策制定提供了数据参考。
Q&A
如何利用机器学习从噪声数据中估计恒星距离？
使用规范流算法，一种能学习任意多维概率分布的深度神经网络，从有噪声的视差和光度学测量中学习灵活的色-星等图，从而得到6.4亿个近邻恒星的光度距离后验分布。
深度学习如何帮助映射星系分布与暗物质分布？
通过开发双层卷积神经网络结构，将三维宇宙中星系分布与其背后的暗物质分布建立映射，生成的星系画像相比传统宇宙学技术具有更好的性能与准确性，可用于快速计算宇宙学模拟。
生成对抗网络在天文学中有什么应用？
利用链式生成对抗网络可以产生逼真的星系图片，表明这一现代技术在天文学中是有价值的。
深度学习如何从弱引力透镜数据中估算宇宙学参数？
使用深度卷积神经网络学习五种宇宙学模型与其生成的弱引力透镜质量图之间的关系，并与常用的非高斯统计方法比较，表明该方法能在高噪声环境下保持高效率，有望应用于实际弱引力透镜数据分析。
机器学习如何用于恒星与星系的分类？
提出一种使用深度卷积神经网络的恒星-星系分类框架，可直接基于像素值进行学习，避免人工特征工程，在SDSS和CFHTLenS数据集上取得与传统机器学习技术相竞争的准确和可靠的概率分类结果。
如何利用深度学习识别宇宙射线并修复图像？
提出基于深度学习的框架，用于识别宇宙射线并在预测的射线遮蔽掩膜基础上进行图像修复，并提供了在哈勃空间望远镜ACS/WFC图像中验证该框架有效性的数据。
机器学习如何辅助科学战略规划？
使用高影响力天文期刊的摘要，运用潜在狄利克雷分配方法找到可以预测研究兴趣的领先指示器，并证明这种方法能较好地反映2010年全国科学院天文与天体物理学十年规划科学前沿小组确定的优先研究领域。作者还提出两种度量方法：所有科学论文贡献率之和的度量方法，以及这些计数的复合年增长率，这些方法展现出与相同十年规划中提交的白皮书相同的相关性。结果表明，十年规划未能充分强调快速增长的研究。
