在线客服
企业微信
核心提示：2022年5月12日，全球知名的黑洞观测计划「事件视界望远镜」（Event Horizon Telescope，EHT）发布了一张位于银河系中心的超大质量
2022年5月12日，全球知名的黑洞观测计划「事件视界望远镜」（Event Horizon Telescope，EHT）发布了一张位于银河系中心的超大质量黑洞「人马座A*」（Sgr A*）的照片。该照片提供了银河系中心黑洞真实存在的首个视觉证据，在世界范围内引起了巨大的轰动：
北大孙赫：用 AI 研究科学成像，从「大宇宙」到「小宇宙」
图注：位于银河系中心的黑洞——「人马座A*」（Sgr A*）。这张照片由2017年EHT所观测数据中提取的多张照片组合制作而成。
据EHT介绍，Sgr A*黑洞的质量大约是太阳的400万倍，覆盖面积几乎与水星的轨道一样大。听起来很大，但由于位于银河系中心的Sgr A*距离地球二万七千光年之遥，要从地球上拍摄Sgr A*也面临巨大的挑战，难度极高。
有多难？
「就像从洛杉矶拍摄位于纽约表面的一粒盐，需要建造一个跟地球一样大的射电望远镜才能拍到这么小的东西。」加州理工学院（Caltech）的研究人员这样解读。
这是EHT第二次让世人窥见宇宙黑洞的真实容貌。第一次是2019年4月10日EHT观测到的一个位于室女A星系（M87）的黑洞。
区别于其他研究黑洞的方法（如引力波观测），EHT的目标是直接获取宇宙中黑洞的影像进行分析。与M87相比，Sgr A*的动态变化更加迅速，因而在成像上也更具技术挑战。
据EHT官方披露，该计划召集了来自全球80多个研究机构的300多名研究人员共同研究。合作组在2017年4月利用分布于全球各地的8台射电望远镜对SgrA*进行了联合观测，并在之后花费五年时间，开发了复杂的工具解决SgrA*的图像处理问题，并利用超级计算机合成与分析影像数据，创建黑洞模拟数据库与观测结果进行严格比对，才最终得到了上述较为清晰的照片。
来自北京大学未来技术学院的青年研究员孙赫便是EHT这300多名研究人员中的一员。
在AI科技评论对孙赫博士进行访谈时，他曾十分兴奋地透露他正在参与一个全球性的科研计划。但直到Sgr A*发布，他才向我们披露，这个计划就是EHT对银心黑洞Sgr A*进行观测、处理成像。
北大孙赫：用 AI 研究科学成像，从「大宇宙」到「小宇宙」
孙赫的主要研究内容是将人工智能算法应用于科学成像研究，将光学、控制学、信号处理与机器学习等知识融合，促进科学领域的研究发现。在EHT合作组中，孙赫作为成像和科学特征提取两个团队的成员之一，参与了一系列图像处理软件的开发与黑洞数据分析的工作。雷峰网
虽然同属「AI for Science」，孙赫的研究逻辑却与这一赛道上的多数学者不尽相同：人工智能领域的研究者大多从 AI 的角度研究科学问题，而非计算机科班出身的孙赫则更喜欢从科学问题的需求出发寻找 AI 工具。雷峰网(公众号：雷峰网)
此外，值得注意的是，孙赫的目标研究领域并不只有天文学。
2022年5月，孙赫结束其在加州理工学院的博士后研究，正式加入北京大学未来技术学院国家生物医学成像科学中心，将他在天文成像上的积累推广到一个崭新的领域——生物医学成像。
如果说黑洞观测是面向大宇宙，那么生物医学成像则是探秘人体这个「小宇宙」的重要途径之一。在从「大宇宙」到「小宇宙」的旅途上，孙赫也逐渐成长：从对人工智能算法一无所知，到跨学科研究，在人工智能和科学成像的交叉点遇到了令他兴奋不已的研究方向。雷峰网
1、从航空航天到计算成像
孙赫与机器学习的结缘是出于偶然。
他的本科就读于北京大学工学院，主修工程力学、辅修经济学，2014年本科毕业后申请到了普林斯顿大学机械与航空航天工程系攻读博士。该系包含许多研究方向，孙赫所属的方向为控制理论与动力系统（类似国内的「自动化」），因此，在博士刚开始时，他更感兴趣的是与机器人相关的研究课题。
2014年，人工智能（AI）正在兴起，作为世界顶尖研究高校的普林斯顿大学也是学术界这一波AI研究大潮的先行者之一。在孙赫的第一年博士预备阶段，普林斯顿大学的统计与机器学习中心（Center for Statistics and Machine Learning）开始设置机器学习的辅修项目。虽然不属于计算机系，但对 AI 抱有好奇心的孙赫也报名了该项目，成为首批修读该项目的学生之一。
对 AI 的了解改变了孙赫原先的研究规划，也在潜移默化中加强了他在开展研究时应用 AI 的意识。
第一年博士实验室轮转学习（Lab Rotation）结束后，孙赫加入普林斯顿高对比度成像实验室（Princeton High Contrast Imaging Lab），师从N. Jeremy Kasdin，参与研究天文望远镜的自适应光学系统。
「自适应光学是一类能够控制光的自动化系统，就像我们控制机器人的动作、姿态和运动轨迹来执行目标任务一样，自适应光学系统可以调控光场的性质来提升望远镜的成像能力。」孙赫向 AI 科技评论解释道，「很多传统的AI算法都源自于控制理论，所以很自然的就在想能不能把机器学习的方法再引入到望远镜自适应光学系统的开发中」。
博士期间，孙赫开始尝试用数据驱动的机器学习方法改进天文望远镜的控制系统。
当时，他的博士导师 Jeremy Kasdin 是NASA 的新一代太空望远镜——「罗曼太空望远镜」（Roman Space Telescope）科学团队的负责人之一。罗曼太空望远镜是韦伯望远镜之后NASA的又一个旗舰任务，它有两个主要的科学目标：一是观测宇宙中的暗物质，二是观测宇宙中的系外行星、寻找适合人类生存的「第二个地球」。
「对系外行星的直接成像非常难。因为恒星是发光的，而类地行星通常是不发光的。比如说，从宇宙深处的其它行星上观测太阳系，地球要比太阳暗十亿倍以上。在这种情况下，你需要想办法提升望远镜的成像对比度。自适应光学为这个问题提供了一个重要的解决思路，我们可以应用控制理论去操纵光的传播过程，将耀眼的恒星光消除，从而打破望远镜的光学极限，制造出一个特别暗的区域来实现对行星的观测。」孙赫谈道。
要控制光，就需要改变望远镜系统内部分镜面的形状来使光场发生变化。如此精密的控制（镜面的形变通常在纳米级）需要对望远镜的光学系统有一个精确的建模。然而在轨运行的太空望远镜十分「敏感」：机械振动、太阳辐射产生的热效应等太空极端条件下的种种因素都会使望远镜的光学系统随着时间发生各种微小的变化。
针对这一问题，孙赫在博士期间最重要的一项工作就是将机器学习引入到太空望远镜中，利用望远镜的观测图像实时地修正光学系统的建模误差，提升自适应光学系统的控制精度与最终的成像对比。相关研究被收录于他的博士论文（"Efficient wavefront sensing and control for space-based high-contrast imaging"）中，并获得了2019年IEEE航天会议的「观测系统和技术最佳论文奖」。
图注：位于银河系中心的黑洞——「人马座A*」（Sgr A*）。这张照片由2017年EHT所观测数据中提取的多张照片组合制作而成。
据EHT介绍，Sgr A*黑洞的质量大约是太阳的400万倍，覆盖面积几乎与水星的轨道一样大。听起来很大，但由于位于银河系中心的Sgr A*距离地球二万七千光年之遥，要从地球上拍摄Sgr A*也面临巨大的挑战，难度极高。
有多难？
「就像从洛杉矶拍摄位于纽约表面的一粒盐，需要建造一个跟地球一样大的射电望远镜才能拍到这么小的东西。」加州理工学院（Caltech）的研究人员这样解读。
这是EHT第二次让世人窥见宇宙黑洞的真实容貌。第一次是2019年4月10日EHT观测到的一个位于室女A星系（M87）的黑洞。
区别于其他研究黑洞的方法（如引力波观测），EHT的目标是直接获取宇宙中黑洞的影像进行分析。与M87相比，Sgr A*的动态变化更加迅速，因而在成像上也更具技术挑战。
据EHT官方披露，该计划召集了来自全球80多个研究机构的300多名研究人员共同研究。合作组在2017年4月利用分布于全球各地的8台射电望远镜对SgrA*进行了联合观测，并在之后花费五年时间，开发了复杂的工具解决SgrA*的图像处理问题，并利用超级计算机合成与分析影像数据，创建黑洞模拟数据库与观测结果进行严格比对，才最终得到了上述较为清晰的照片。
来自北京大学未来技术学院的青年研究员孙赫便是EHT这300多名研究人员中的一员。
在AI科技评论对孙赫博士进行访谈时，他曾十分兴奋地透露他正在参与一个全球性的科研计划。但直到Sgr A*发布，他才向我们披露，这个计划就是EHT对银心黑洞Sgr A*进行观测、处理成像。
北大孙赫：用 AI 研究科学成像，从「大宇宙」到「小宇宙」
孙赫的主要研究内容是将人工智能算法应用于科学成像研究，将光学、控制学、信号处理与机器学习等知识融合，促进科学领域的研究发现。在EHT合作组中，孙赫作为成像和科学特征提取两个团队的成员之一，参与了一系列图像处理软件的开发与黑洞数据分析的工作。雷峰网
虽然同属「AI for Science」，孙赫的研究逻辑却与这一赛道上的多数学者不尽相同：人工智能领域的研究者大多从 AI 的角度研究科学问题，而非计算机科班出身的孙赫则更喜欢从科学问题的需求出发寻找 AI 工具。雷峰网(公众号：雷峰网)
此外，值得注意的是，孙赫的目标研究领域并不只有天文学。
2022年5月，孙赫结束其在加州理工学院的博士后研究，正式加入北京大学未来技术学院国家生物医学成像科学中心，将他在天文成像上的积累推广到一个崭新的领域——生物医学成像。
如果说黑洞观测是面向大宇宙，那么生物医学成像则是探秘人体这个「小宇宙」的重要途径之一。在从「大宇宙」到「小宇宙」的旅途上，孙赫也逐渐成长：从对人工智能算法一无所知，到跨学科研究，在人工智能和科学成像的交叉点遇到了令他兴奋不已的研究方向。雷峰网
1、从航空航天到计算成像
孙赫与机器学习的结缘是出于偶然。
他的本科就读于北京大学工学院，主修工程力学、辅修经济学，2014年本科毕业后申请到了普林斯顿大学机械与航空航天工程系攻读博士。该系包含许多研究方向，孙赫所属的方向为控制理论与动力系统（类似国内的「自动化」），因此，在博士刚开始时，他更感兴趣的是与机器人相关的研究课题。
2014年，人工智能（AI）正在兴起，作为世界顶尖研究高校的普林斯顿大学也是学术界这一波AI研究大潮的先行者之一。在孙赫的第一年博士预备阶段，普林斯顿大学的统计与机器学习中心（Center for Statistics and Machine Learning）开始设置机器学习的辅修项目。虽然不属于计算机系，但对 AI 抱有好奇心的孙赫也报名了该项目，成为首批修读该项目的学生之一。
对 AI 的了解改变了孙赫原先的研究规划，也在潜移默化中加强了他在开展研究时应用 AI 的意识。
第一年博士实验室轮转学习（Lab Rotation）结束后，孙赫加入普林斯顿高对比度成像实验室（Princeton High Contrast Imaging Lab），师从N. Jeremy Kasdin，参与研究天文望远镜的自适应光学系统。
「自适应光学是一类能够控制光的自动化系统，就像我们控制机器人的动作、姿态和运动轨迹来执行目标任务一样，自适应光学系统可以调控光场的性质来提升望远镜的成像能力。」孙赫向 AI 科技评论解释道，「很多传统的AI算法都源自于控制理论，所以很自然的就在想能不能把机器学习的方法再引入到望远镜自适应光学系统的开发中」。
博士期间，孙赫开始尝试用数据驱动的机器学习方法改进天文望远镜的控制系统。
当时，他的博士导师 Jeremy Kasdin 是NASA 的新一代太空望远镜——「罗曼太空望远镜」（Roman Space Telescope）科学团队的负责人之一。罗曼太空望远镜是韦伯望远镜之后NASA的又一个旗舰任务，它有两个主要的科学目标：一是观测宇宙中的暗物质，二是观测宇宙中的系外行星、寻找适合人类生存的「第二个地球」。
「对系外行星的直接成像非常难。因为恒星是发光的，而类地行星通常是不发光的。比如说，从宇宙深处的其它行星上观测太阳系，地球要比太阳暗十亿倍以上。在这种情况下，你需要想办法提升望远镜的成像对比度。自适应光学为这个问题提供了一个重要的解决思路，我们可以应用控制理论去操纵光的传播过程，将耀眼的恒星光消除，从而打破望远镜的光学极限，制造出一个特别暗的区域来实现对行星的观测。」孙赫谈道。
要控制光，就需要改变望远镜系统内部分镜面的形状来使光场发生变化。如此精密的控制（镜面的形变通常在纳米级）需要对望远镜的光学系统有一个精确的建模。然而在轨运行的太空望远镜十分「敏感」：机械振动、太阳辐射产生的热效应等太空极端条件下的种种因素都会使望远镜的光学系统随着时间发生各种微小的变化。
针对这一问题，孙赫在博士期间最重要的一项工作就是将机器学习引入到太空望远镜中，利用望远镜的观测图像实时地修正光学系统的建模误差，提升自适应光学系统的控制精度与最终的成像对比。相关研究被收录于他的博士论文（"Efficient wavefront sensing and control for space-based high-contrast imaging"）中，并获得了2019年IEEE航天会议的「观测系统和技术最佳论文奖」。
