机器学习模型越来越多地增强了人类流程，要么更快地执行重复性任务，要么提供一些有助于将人类知识正确看待的系统洞察力。加州大学伯克利分校的天文学家惊讶地发现这两种情况都发生在对引力微透镜事件进行建模之后，从而为这种现象建立了一个新的统一理论。
当来自遥远恒星和其他恒星物体的光直接在它和观察者之间绕近一个物体弯曲时，就会发生引力透镜效应，短暂地给出更远的一个更明亮但扭曲的视图。根据光线的弯曲方式（以及我们对远处物体的了解），我们还可以了解很多关于光线弯曲的恒星、行星或系统的信息。
例如，亮度的瞬间峰值表明行星体正在穿过视线，而这种读数异常，由于某种原因被称为“退化”，已被用于发现数千颗系外行星。
由于观察它们的局限性，除了像它们的质量这样的少数基本概念之外，很难量化这些事件和物体。简并通常被认为有两种可能性：在给定的系统中，远处的光更靠近恒星或行星。模糊性通常与其他观察到的数据相一致，例如我们通过其他方式知道行星太小而不会导致所看到的扭曲规模。
加州大学伯克利分校博士生张克明正在寻找一种快速分析和分类此类透镜事件的方法，因为随着我们更定期、更详细地调查天空，它们会大量出现。他和他的同事用已知原因和配置的已知重力微透镜事件的数据训练了一个机器学习模型，然后将其免费提供给其他一些不太量化的模型。
结果出乎意料：除了巧妙地计算观察到的事件何时属于两种主要退化类型之一之外，它还发现许多没有。
“之前的两种简并理论涉及背景恒星似乎靠近前景恒星或前景行星的情况。人工智能算法不仅向我们展示了这两种情况的数百个例子，而且还向我们展示了恒星没有靠近恒星或行星并且无法用之前的任何一种理论解释的情况，”张在伯克利的新闻发布会上说。
现在，这很可能是由于模型调整不当或对自己的计算没有足够的信心造成的。但张似乎确信人工智能已经为人类观察者系统地忽略了的东西计时。
结果——经过一番说服，由于研究生质疑既定学说是可以容忍的，但也许不被鼓励——他们最终提出了一个新的、“统一”的理论来解释这些观察中的退化，其中两个已知的理论只是最常见的情况。
显示 3 镜头简并解决方案的模拟图。
他们查看了最近两打观察微透镜事件的论文，发现当新理论比两者更适合数据时，天文学家错误地将他们所看到的归类为一种类型或另一种类型。
“人们看到了这些微透镜事件，它们实际上展示了这种新的退化，但只是没有意识到。这实际上只是机器学习查看了成千上万个不可能错过的事件，”该论文的合著者、俄亥俄州立大学天文学教授斯科特·高迪 (Scott Gaudi) 说。
需要明确的是，人工智能并没有制定和提出新理论——这完全取决于人类的智慧。但如果没有人工智能系统和自信的计算，很可能简化的、不太正确的理论会持续很多年。就像人们学会了信任计算器和后来的计算机一样，我们正在学习信任一些 AI 模型来输出一个有趣的真相，而不是成见和假设——也就是说，如果我们不只是将自己的成见和假设编码到它们中。
发表在《自然天文学》杂志上的一篇论文描述了新的理论和导致它的过程的描述。对于我们读者群中的天文学家来说，这可能不是新闻（去年是预印本），但机器学习和一般科学专家可能会珍惜这一有趣的发展。