AIが宇宙地図作りに新時代をもたらす
何世紀にもわたり、天文学者たちは夜空を見上げ、星や銀河、そしてそれらを結び付ける広大な宇宙網の謎を解き明かそうとしてきた。今日、宇宙の途方もない広さが新たな課題を突き付けている。従来の手法では到底追いつけないほど膨大な数の天体を、どう分類し、理解すればよいのか。中国科学院雲南天文台の研究チームは画期的な成果として、星、銀河、クエーサーなど、広大な範囲の空にある2700万個以上の天体をすでに分類した人工知能（AI）モデルを開発した。この成果は天文学にとって重要な節目となり、宇宙を探査し理解する方法を大きく変える可能性がある。
目次
宇宙の分類が難しい理由
現代天文学では、データが爆発的に増加している。スローン・デジタル・スカイ・サーベイ（SDSS）、キロ・ディグリー・サーベイ（KiDS）、欧州宇宙機関（ESA）のユークリッド計画など、高性能望遠鏡や全天観測プロジェクトが、何十億もの天体の画像や測定データを取得している。観測のたびにテラバイト単位のデータが加わり、数十億光年先の銀河や超新星、宇宙網の複雑な構造が明らかになっている。
従来、天文学者は分光法を頼りにしてきた。天体からの光を分析し、その組成や距離、種類を特定する方法だ。分光法は精度が高い一方、時間と多くの資源を要する。利用可能なデータ量がこれほど増えた今、人間が手作業や半自動の手法で処理しきるのは不可能だ。そのため天文学者は、スペクトルのような詳細な情報は得られないものの、異なる色（波長）で画像を撮影する測光サーベイを活用するようになっている。測光データは取得が速い反面、判別が難しい場合がある。遠方の銀河や星、クエーサーは小さく明るい点のように見えることが多く、形だけで見分けるのは容易ではない。
人間と従来型機械学習による分類の限界
分類の自動化には、決定木やランダムフォレストなどの従来型機械学習アルゴリズムや、近年ではディープラーニングのニューラルネットワークが使われてきた。こうした手法は高い精度を達成しているが、特に暗い天体や遠方の天体、宇宙塵に遮られた領域では課題が残る。チリのラ・セレナ大学による研究が示したように、機械学習モデルは、塵が可視光の多くを遮る「回避帯」のような難しい領域で分類に苦戦することがある。多様な複数波長のデータで学習しない限り、誤りの割合が高くなりかねない。
中国のAIモデルの仕組み
雲南天文台のチームが開発した新たなAIモデルは、大きな進歩を示す。天体の見た目（形態）か色（スペクトルエネルギー分布、SED）のどちらかに頼っていた従来の手法とは異なり、このニューラルネットワークは両方の情報を同時に処理する。この二つの入力を用いる設計により、AIは星、銀河、クエーサーの微妙な違いを捉え、従来なら見逃されていた差異を見分けられる。
このモデルは、天体分類の基準として広く用いられるSDSSの第17次データリリースに含まれる、分光観測で確認された天体を使って学習した。その後、KiDSサーベイの画像で検証された。対象は等級r = 23より明るい天体で、空のおよそ1350平方度を網羅する。結果として、2700万個を超える天体を驚くべき速さと精度で分類した。
複数のサーベイによる検証と精度
信頼性を確かめるため、チームは他の主要なサーベイのデータを使ってモデルを検証した。主に運動がよく知られている星を含む、ガイア計画の340万個の天体に適用したところ、AIはその99.7％を星と正しく判定した。銀河・質量集積サーベイ（GAMA）でも同様の精度を達成し、銀河とクエーサーの99.7％を正確に分類した。場合によっては、過去の誤りを正し、古いカタログで誤分類されていた天体を再分類することもできた。
この高い精度はモデルの堅牢性を示しており、既存の天文データベースの改善にも役立つ可能性がある。天文学コミュニティにとって有用なツールとなりそうだ。
宇宙地図作りをめぐる世界的なAI開発競争
中国の画期的な成果は、より大きな潮流の一部だ。世界各地の天文学者が、次世代望遠鏡から届く膨大なデータを処理できるAIツールの開発を急いでいる。例えばESAのユークリッド計画は、予定するサーベイ領域のごく一部だけで、すでに2600万個の銀河を地図化した。今後6年間でユークリッドは15億個を超える銀河を撮影し、毎日およそ100ギガバイトのデータを送信する予定だ。同様に、稼働を控えるベラ・C・ルービン天文台は、数百万個の新たな超新星やその他の突発現象を検出すると見込まれている。ズウィッキー一時天体施設（ZTF）のサーベイでは、Bright Transient Survey Bot（BTSbot）などのAIツールが、すでに超新星の発見と分類を自動化している。
市民科学とAIの強力な連携
課題の規模を踏まえ、天文学者は一般の人々にも協力を呼び掛けている。Galaxy Zooや新プロジェクト「Galaxy Zoo: Euclid」では、世界各地のボランティアが銀河の形状分類に参加できる。こうした市民科学者はZooBotなどのAIアルゴリズムと協力する。AIが比較的簡単な事例を処理し、複雑な画像を人間に回す仕組みだ。この連携は分類を速めるだけでなく、AIの学習と性能向上にも役立ち、発見を促す好循環を生み出している。
NASAのジェームズ・ウェッブ宇宙望遠鏡とユークリッド計画は、いずれもこうした複合的な手法を採用している。何千人ものボランティアと高度なAIが協力し、これまでで最大かつ最も詳細な銀河形態カタログの構築を進めている。
AIが天文学を変える
AIが天文学にもたらす影響は、処理速度の向上にとどまらない。膨大な数の天体を迅速かつ正確に分類することで、AIは科学者に次のようなことを可能にする。
- リング銀河や遠方のクエーサーなど、見過ごされる可能性のある珍しい天体や異常な天体を発見する。
- 宇宙の歴史を通じた銀河の構造と進化を追跡し、何十億年にもわたる宇宙の変化を解明する。
- 銀河の形状や位置、重力レンズ効果を分析し、ダークマターとダークエネルギーの分布を地図化する。
- 天文カタログの精度と網羅性を高め、過去の誤りを修正し、欠落を補う。
例えば、GALAXY CRUISEプロジェクトでAIと市民科学者が連携し、最近発見した3万個の珍しいリング銀河は、科学的に意味のある分析を可能にする十分な規模のサンプルとなった。この成果は、こうした特異な構造がどのように形成されるのかについて新たな知見をもたらしている。多くの場合、渦巻銀河同士の衝突によって生まれる。
技術革新：マルチモーダル解析と画素単位の解析
天文学におけるAIの近年の進歩には、画像データと表形式のメタデータ（明るさ、色、赤方偏移など）を組み合わせて精度を高める、マルチモーダル・ディープラーニング・アーキテクチャーがある。こうしたモデルは単一種類のデータだけを使うモデルより優れ、学習のエポック数を抑えながら適合率と再現率を高められることが研究で示されている。カリフォルニア大学サンタクルーズ校が開発したMorpheus AIのように、画像を画素単位で解析し、銀河内部の複雑な構造を特定しながら詳細な形態分類を行うツールもある。
サーベイの規模と野心が拡大するなか、こうした技術革新は欠かせない。例えばユークリッド計画は、重力レンズ効果によって生じる銀河の形状の微妙なゆがみを測定し、ダークマターの3次元分布を地図化することを目指す。高度なAIと機械学習技術なしには実現できない作業だ。
天文学におけるAIの限界と課題
こうした進歩にもかかわらず、AIは万能ではない。モデルの精度は、学習データの質と多様性に大きく左右される。あるサーベイのデータで学習したモデルは、異なる装置や空の別の領域から得られたデータでは、同じ性能を発揮できない場合がある。特に回避帯のような難しい環境ではその傾向が強い。近年の研究が指摘するように、機械学習モデルは塵に遮られた領域や特異な性質を持つ天体の分類に苦戦し、かなりの数の天体を検出できなかったり、正しく特定できなかったりすることがある。
さらに、AIモデルは学習データに含まれる偏りを引き継ぎ、珍しい現象や予想外の現象を見落とす可能性もある。そのため、AIの結果を検証し、真に新しい発見を行ううえで、人間の専門知識と市民科学は依然として重要だ。
今後の展望：より賢く、適応力の高いAI
雲南天文台のチームをはじめとする研究者たちは、さらに暗い天体にも対応し、特性の異なる新たなサーベイに適応できるよう、モデルの改良に取り組んでいる。より多様なデータセットでの学習、複数波長のデータの取り込み、不確実な事例や特異な事例を人間の確認に回すアルゴリズムの開発などが含まれる。
AIが進化を続けるなか、プロ・アマを問わず天文学者との連携が、宇宙の謎を解き明かす鍵となる。
より広い意味：発見の新たな黄金時代
天文学におけるAIの台頭は、単なる技術的な成果ではない。科学の進め方に大きな変化をもたらすものだ。分類という単調な作業を自動化することで、AIは天文学者が解釈や理論、未知の探究に集中できるようにする。また、発見への参加を広く開き、インターネットに接続できる人なら誰でも宇宙の地図作りに貢献できるようにする。
ユークリッド、ジェームズ・ウェッブ、ベラ・C・ルービン天文台などの計画が、かつてない量のデータをもたらそうとしている。AI、機械学習、市民科学の組み合わせは、天文学の発見に新たな黄金時代をもたらしつつある。宇宙は広大で謎に満ちているが、こうした新たなツールにより、その深淵を探る準備はこれまで以上に整っている。
要点
- 中国のAIモデルが星、銀河、クエーサーなど2700万個以上の天体を分類し、天文データ解析に大きな進歩をもたらした。
- モデルは天体の形態とスペクトルエネルギー分布の両方の特徴を利用して高い精度を実現し、複数のサーベイで検証された。
- ユークリッドやベラ・C・ルービン天文台など、現代の全天観測プロジェクトが生む膨大なデータの処理にAIは欠かせない。
- Galaxy Zooなどの市民科学プロジェクトは、複雑または判別が難しい天体の分類でAIと協力し、速度と精度の両方を高めている。
- AIは珍しい天体の発見や過去のカタログの誤りの修正を可能にする一方、難しい領域や特異な現象への対応には課題が残る。
- 宇宙の分類の未来は、より賢く適応力の高いAIモデルと、機械と人間の継続的な協力にかかっている。
