2022年5月12日，全球知名的黑洞觀測計劃「事件視界望遠鏡」（Event Horizon Telescope，EHT）發布了一張位于銀河系中心的超大質量黑洞「人馬座A*」（Sgr A*）的照片。該照片提供了銀河系中心黑洞真實存在的首個視覺證據，在世界范圍內引起了巨大的轟動： 北大孫赫：用 AI 研究科學成像，從「大宇宙」到「小宇宙」

圖注：位于銀河系中心的黑洞——「人馬座A*」（Sgr A*）。這張照片由2017年EHT所觀測數據中提取的多張照片組合制作而成。

據EHT介紹，Sgr A*黑洞的質量大約是太陽的400萬倍，覆蓋面積幾乎與水星的軌道一樣大。聽起來很大，但由于位于銀河系中心的Sgr A*距離地球二萬七千光年之遙，要從地球上拍攝Sgr A*也面臨巨大的挑戰，難度極高。

有多難？

「就像從洛杉磯拍攝位于紐約表面的一粒鹽，需要建造一個跟地球一樣大的射電望遠鏡才能拍到這么小的東西。」加州理工學院（Caltech）的研究人員這樣解讀。

這是EHT第二次讓世人窺見宇宙黑洞的真實容貌。第一次是2019年4月10日EHT觀測到的一個位于室女A星系（M87）的黑洞。

區別于其他研究黑洞的方法（如引力波觀測），EHT的目標是直接獲取宇宙中黑洞的影像進行分析。與M87相比，Sgr A*的動態變化更加迅速，因而在成像上也更具技術挑戰。

據EHT官方披露，該計劃召集了來自全球80多個研究機構的300多名研究人員共同研究。合作組在2017年4月利用分布于全球各地的8臺射電望遠鏡對SgrA*進行了聯合觀測，并在之后花費五年時間，開發了復雜的工具解決SgrA*的圖像處理問題，并利用超級計算機合成與分析影像數據，創建黑洞模擬數據庫與觀測結果進行嚴格比對，才最終得到了上述較為清晰的照片。

來自北京大學未來技術學院的青年研究員孫赫便是EHT這300多名研究人員中的一員。

在AI科技評論對孫赫博士進行訪談時，他曾十分興奮地透露他正在參與一個全球性的科研計劃。但直到Sgr A*發布，他才向我們披露，這個計劃就是EHT對銀心黑洞Sgr A*進行觀測、處理成像。

北大孫赫：用 AI 研究科學成像，從「大宇宙」到「小宇宙」

孫赫的主要研究內容是將人工智能算法應用于科學成像研究，將光學、控制學、信號處理與機器學習等知識融合，促進科學領域的研究發現。在EHT合作組中，孫赫作為成像和科學特征提取兩個團隊的成員之一，參與了一系列圖像處理軟件的開發與黑洞數據分析的工作。雷峰網

雖然同屬「AI for Science」，孫赫的研究邏輯卻與這一賽道上的多數學者不盡相同：人工智能領域的研究者大多從 AI 的角度研究科學問題，而非計算機科班出身的孫赫則更喜歡從科學問題的需求出發尋找 AI 工具。雷峰網(公眾號：雷峰網)

此外，值得注意的是，孫赫的目標研究領域并不只有天文學。

2022年5月，孫赫結束其在加州理工學院的博士后研究，正式加入北京大學未來技術學院國家生物醫學成像科學中心，將他在天文成像上的積累推廣到一個嶄新的領域——生物醫學成像。

如果說黑洞觀測是面向大宇宙，那么生物醫學成像則是探秘人體這個「小宇宙」的重要途徑之一。在從「大宇宙」到「小宇宙」的旅途上，孫赫也逐漸成長：從對人工智能算法一無所知，到跨學科研究，在人工智能和科學成像的交叉點遇到了令他興奮不已的研究方向。雷峰網





1、從航空航天到計算成像



孫赫與機器學習的結緣是出于偶然。

他的本科就讀于北京大學工學院，主修工程力學、輔修經濟學，2014年本科畢業后申請到了普林斯頓大學機械與航空航天工程系攻讀博士。該系包含許多研究方向，孫赫所屬的方向為控制理論與動力系統（類似國內的「自動化」），因此，在博士剛開始時，他更感興趣的是與機器人相關的研究課題。

2014年，人工智能（AI）正在興起，作為世界頂尖研究高校的普林斯頓大學也是學術界這一波AI研究大潮的先行者之一。在孫赫的第一年博士預備階段，普林斯頓大學的統計與機器學習中心（Center for Statistics and Machine Learning）開始設置機器學習的輔修項目。雖然不屬于計算機系，但對 AI 抱有好奇心的孫赫也報名了該項目，成為首批修讀該項目的學生之一。



對 AI 的了解改變了孫赫原先的研究規劃，也在潛移默化中加強了他在開展研究時應用 AI 的意識。

第一年博士實驗室輪轉學習（Lab Rotation）結束后，孫赫加入普林斯頓高對比度成像實驗室（Princeton High Contrast Imaging Lab），師從N. Jeremy Kasdin，參與研究天文望遠鏡的自適應光學系統。

「自適應光學是一類能夠控制光的自動化系統，就像我們控制機器人的動作、姿態和運動軌跡來執行目標任務一樣，自適應光學系統可以調控光場的性質來提升望遠鏡的成像能力。」孫赫向 AI 科技評論解釋道，「很多傳統的AI算法都源自于控制理論，所以很自然的就在想能不能把機器學習的方法再引入到望遠鏡自適應光學系統的開發中」。

博士期間，孫赫開始嘗試用數據驅動的機器學習方法改進天文望遠鏡的控制系統。

當時，他的博士導師 Jeremy Kasdin 是NASA 的新一代太空望遠鏡——「羅曼太空望遠鏡」（Roman Space Telescope）科學團隊的負責人之一。羅曼太空望遠鏡是韋伯望遠鏡之后NASA的又一個旗艦任務，它有兩個主要的科學目標：一是觀測宇宙中的暗物質，二是觀測宇宙中的系外行星、尋找適合人類生存的「第二個地球」。

「對系外行星的直接成像非常難。因為恒星是發光的，而類地行星通常是不發光的。比如說，從宇宙深處的其它行星上觀測太陽系，地球要比太陽暗十億倍以上。在這種情況下，你需要想辦法提升望遠鏡的成像對比度。自適應光學為這個問題提供了一個重要的解決思路，我們可以應用控制理論去操縱光的傳播過程，將耀眼的恒星光消除，從而打破望遠鏡的光學極限，制造出一個特別暗的區域來實現對行星的觀測。」孫赫談道。

要控制光，就需要改變望遠鏡系統內部分鏡面的形狀來使光場發生變化。如此精密的控制（鏡面的形變通常在納米級）需要對望遠鏡的光學系統有一個精確的建模。然而在軌運行的太空望遠鏡十分「敏感」：機械振動、太陽輻射產生的熱效應等太空極端條件下的種種因素都會使望遠鏡的光學系統隨著時間發生各種微小的變化。

針對這一問題，孫赫在博士期間最重要的一項工作就是將機器學習引入到太空望遠鏡中，利用望遠鏡的觀測圖像實時地修正光學系統的建模誤差，提升自適應光學系統的控制精度與最終的成像對比。相關研究被收錄于他的博士論文（"Efficient wavefront sensing and control for space-based high-contrast imaging"）中，并獲得了2019年IEEE航天會議的「觀測系統和技術最佳論文獎」。