機器學習模型越來越多地增強了人類進步的進程，利用它，人們可以更快地完成重複的任務，甚至提供一些系統性的見解。加州大學伯克利分校的天文學家在對引力微透鏡事件進行建模后驚訝地發現這兩種情況都會發生，從而為該現象提出了一個新的統一理論。
當來自遠處的恆星和其他恆星物體的光線在它和觀察者之間的近處物體周圍彎曲時，就會發生引力透鏡現象，短暫地給遠處的物體提供一個更明亮但被扭曲的視野。根據光線的彎曲情況（以及我們對遠處物體的了解），我們也可以了解到很多關於光線所彎曲的恆星、行星或系統的情況。
例如，亮度的瞬間飆升表明一個行星體正在穿越視線，而這種類型的讀數異常，不知為何被稱為”退化”，已經被用來發現數以千計的系外行星。
由於觀察它們的局限性，除了少數基本概念如質量之外，很難對這些事件和物體進行量化。而退行性一般被認為屬於兩種可能性：即遠處的光線經過時更接近於某個系統中的恆星或行星。含糊不清的情況往往與其他觀察到的數據相協調，例如我們通過其他手段知道行星太小，無法造成看到的扭曲規模。
加州大學伯克利分校的博士生Zhang Keming正在研究一種快速分析和分類此類透鏡事件的方法，因為隨着我們更經常和更詳細地勘察天空，它們會大量出現。他和他的同事在已知的重力微透鏡事件的數據上訓練了一個機器學習模型，然後把它放在其他一些不那麼好量化的事件上。
結果是出乎意料的：除了巧妙地計算出一個觀察到的事件何時屬於兩個主要的退行類型之一，它還發現了許多沒有退行的事件。
“以前的兩種退行性理論處理的是背景恆星似乎靠近前景恆星或前景行星的情況。人工智能算法不僅向我們展示了這兩種情況下的數百個例子，而且還展示了恆星沒有靠近恆星或行星的情況，並且無法用以前的任何一種理論來解釋，”Zhang在伯克利的一份新聞稿中說。
現在，這很可能是由於模型調整得不好，或者只是對自己的計算不夠自信而造成的。但張似乎相信，人工智能發現了一些人類觀察者系統地忽略的東西。他們最終提出了一個新的、”統一的”理論，即如何解釋這些觀察中的退化現象，其中兩個已知的理論只是最常見的情況。
他們研究了最近二十多篇觀察微光事件的論文，發現天文學家們一直錯誤地把他們看到的東西歸為一種或另一種類型，而新理論比兩種類型都更適合現有的數據。
“人們看到的這些微光事件，實際上表現出了這種新的退行性，但只是沒有意識到這一點。這真的只是機器學習在觀察數以千計的事件，它變得不可能錯過，”俄亥俄州立大學天文學教授Scott Gaudi說，他是該論文的共同作者。
需要注意的是，人工智能並沒有制定和提出新的理論–那完全是人類的智慧。但是如果沒有人工智能的系統化和自信的計算，很可能簡化的、不太正確的理論會持續很多年。就像人們學會了信任計算器和後來的計算機一樣，我們也在學習信任一些人工智能模型，以輸出一個沒有先入為主和假設的有趣的真相–也就是說，如果我們沒有把自己的先入為主和假設編碼進去的話。
《自然-天文學》雜誌上發表的一篇論文描述了新的理論和對導致它的過程的描述。對於天文學家來說這可能不是新聞（它是去年的預印本），但機器學習和一般的科學工作者可能會珍惜這個有趣的發展。