無數光年外的繁星閃耀著光芒，其中有部分逐漸步入紅巨星的生命歷程。
其實並不容易準確判斷這些老化的星體到底是處於演化的哪個階段。
一群來自澳洲和丹麥的科學家訓練出一套深度學習系統，以預測 NASA 克卜勒任務所辨識出現有紅巨星的演化階段。這套有著 GPU 助力的系統大幅加快了他們的研究速度，也創下極佳的準確性。
人工智慧加快研究行星地震學的速度
紅巨星的兩個生命階段，從外側來看極為相似。年輕的紅巨星在氦核外側燃燒氫，年老的紅巨星則是開始在核心內燃燒氦。
新南威爾斯大學博士生，也是研究共同作者的 Marc Hon 指出，為區分這兩者，便出現了解讀頻譜以研究星體內部結構的行星地震學（asteroseismology）。
「星體震動頻率決定了組成星體的成分。我們觀察這些星體極為微小的光波動情況，以測量這些頻率。」Hon 說。
在稱為功率譜的頻率圖上顯示這些頻率，可以看到相較於氫殼燃燒的紅巨星，氦核燃燒的紅巨星在功率譜上顯示出更凌亂的圖形。視呈現出的圖形而定，人眼要數秒鐘的時間才能推斷出功率譜後星體的演化階段。
這或許聽起來不是花費太長時間，但要瞭解的是光是銀河系裡就有上兆顆星體，這也正是研究人員求助於深度學習演算法的原因。
「我用人工方式進行的話，得要至少5到10秒才能辨識出一個星體。深度學習演算法卻只要幾秒鐘就能對數千顆星體進行預測。」Hon 說。
人工智慧，專家之眼
研究人員決定將功率譜資料轉成深度學習系統能識別的圖形，獲得了更佳的資料分析結果、更快的回饋速度及 99% 的準確率。
人工智慧辨識出7,600個處於變化中的紅巨星，其中有5,400個是過去未曾分析過的星體，也修正了500個人工分類結果。
這套系統使用 cuDNN（CUDA 深度神經網路）函式庫建置而成，並且在裝有 NVIDIA Quadro 繪圖卡的工作站上進行訓練。
人工智慧此領域裡的未來發展方向
功率譜上的頻率不只顯示出紅巨星的演化階段，Hon 表示還能訓練人工智慧來解讀更多資訊，像是星體是否首次出現震動。
他們取得這些老化星體的演化階段資訊，研究人員便可利用他們的研究對紅巨星進行定位，以追蹤銀河系的結構和演化。
「我們可以運用深度學習來查看功率譜上的其它特徵，人工智慧還能告訴我們許多關於星體的其它事情。」Hon 說。
隨著資料集的擴大，他們的深度演算法也會變得更精準，讓他們能避開冗長又乏味的傳統作法。