[智能应用]运用AI天文观测增强模型“星衍” [复制链接]

清华大学自动化系成像与智能技术实验室戴琼海院士团队与天文系蔡峥副教授团队通过多学科交叉研究，提出AI天文观测增强模型“星衍”(ASTERIS)，突破天文观测深度极限，将詹姆斯·韦伯空间望远镜探测深度提升1个星等，找到的极暗弱高红移候选天体是过往研究的3倍，绘制出迄今最深邃的极致深空星系图像。相关研究成果日前以长文形式发表于国际期刊《科学》。审稿人称赞其为：“杰出的工作与强大的工具”“会对天文领域产生重要的影响”。

　　探索宇宙中最遥远、最暗弱的天体一直是人类的终极追求之一。这些天体蕴藏着理解宇宙起源与演化的关键信息。为了这一追求，人们不断增大望远镜的镜面尺寸，提升传感器的工艺性能，将最强大的观测仪器发射至遥远的太空。但随着不断增加的投入和不断增长的时间周期，传统物理维度的硬件堆砌模式，已面临边际效应带来的增长瓶颈。

　　此外，明亮的天光背景噪声（太阳系黄道光散射、银河系漫射光、未分辨的河外背景光）与望远镜自身的热辐射噪声叠加，形成了天文观测领域上空的一朵“乌云”，遮挡了暗弱的星光。更为复杂的是，这些噪声让传统方法在面对极暗弱信号时力有不逮。

　　多年来，团队始终聚焦观测天文学的核心物理挑战，不断突破探测极限。通过计算光学原理与人工智能算法的深度耦合，团队实现了对海量观测数据的多维解译。这些技术沉淀最终孕育出“星衍”——它将深空图像重构为时空光交织的三维体，像在一块璞玉中精细雕琢出隐藏的纹路。

　　“‘星衍’的核心，在于独特的光度自适应筛选机制。”团队成员介绍，它不再单纯将背景噪声视为随机干扰，而是对噪声的涨落与星体本身的光度进行联合建模，“这个机制引导模型专注于对暗弱信号的提取与重建”。

　　此外，即使信号极其暗弱，“星衍”也能直接利用带有真实噪声的海量真实数据进行训练，可高保真地还原目标信号。

　　团队成员介绍，利用AI模型“解码”天文数据的过往研究并不少，却多沿用计算机视觉领域的通用指标衡量性能。这些指标往往易将模型导向一种误区：数据变得干净平滑，实则磨平了极暗弱信号，甚至改变了天体形态。

　　团队构建了一套基于天文科学的AI评价方法，摒弃单纯的视觉效果提升，以探测能力、形态保真、光度保持等为核心评价指标，以科学需求引导“星衍”的架构设计。

　　“星衍”在增加探测深度的同时，还着力确保了探测的准确性。模型首次采用了“分时中位，全时平均”联合优化策略。“这一双重机制显著提升了探测暗弱信号的能力，也同时降低了虚假信号的产生概率，保证了天文数据的科学性。”团队成员说。

　　在詹姆斯·韦伯空间望远镜的观测数据上，“星衍”展现了惊人的效果：将探测暗弱天体的完备度提升了整整1.0个星等，并将探测的准确度提升了1.6个星等。

　　“星等”是天文学家为天体亮度划分的等级，数值越大，天体越暗。“这相当于将望远镜的光子收集效率提升了近一个数量级。”团队成员介绍，这一突破为研究极端暗弱天体打开了新的窗口。

　　依托这一技术，研究团队在詹姆斯·韦伯空间望远镜的深度观测数据中，发现了超过160个宇宙早期的候选高红移星系，数量是先前发现的3倍。这些星系存在于宇宙大爆炸后仅2至5亿年的“宇宙黎明”时代，它们的发现使人类得以绘制出目前最深邃、暗弱的早期星系光度函数，为理解宇宙第一缕曙光的诞生提供了全新数据。

　　据介绍，“星衍”还能够轻松跨越不同观测平台和探测波段。目前，“星衍”已成功应用于詹姆斯·韦伯空间望远镜和昴星团地面望远镜，覆盖的波段范围从可见光（约500纳米）延伸到中红外（5微米）。这标志着它不仅能解码空间望远镜的尖端数据，更可兼容多元探测设备，成为通用的深空数据增强平台，为人类探寻宇宙的“巨眼”植入AI大脑。

清华大学团队突破天文观测极限：AI模型“星衍”助力探索宇宙黎明
核心突破：AI赋能天文观测，探测深度提升1个星等
清华大学自动化系戴琼海院士团队与天文系蔡峥副教授团队联合研发的AI天文观测增强模型“星衍”（ASTERIS），通过多学科交叉创新，成功突破传统天文观测的物理极限。该模型应用于詹姆斯·韦伯空间望远镜（JWST）数据后，将探测深度提升1个星等（相当于光子收集效率提升近一个数量级），并发现超过160个宇宙早期高红移星系候选体，数量是过往研究的3倍。相关成果发表于国际顶级期刊《科学》，被审稿人誉为“杰出的工作与强大的工具”，将深刻影响天文领域研究。
技术挑战：传统硬件堆砌遇瓶颈，噪声遮挡暗弱星光
1. 硬件极限：  
   增大望远镜镜面尺寸、提升传感器性能虽能增强观测能力，但面临边际效应递减问题，投入与收益不成正比。

2. 噪声干扰：  
   天文观测中，天光背景噪声（如太阳系黄道光、银河系漫射光）与望远镜热辐射噪声叠加，形成“乌云”，遮挡极暗弱天体的信号。传统方法难以从噪声中提取有效信息。

3. 数据解译困境：  
   过往AI模型多沿用计算机视觉指标（如图像平滑度），导致极暗弱信号被磨平，甚至改变天体形态，偏离科学目标。
“星衍”模型：三大创新破解核心难题
1. 光度自适应筛选机制：从噪声中“雕琢”信号
联合建模噪声与星体光度：  
  传统方法将背景噪声视为随机干扰，而“星衍”通过分析噪声涨落与星体光度的关联性，构建动态筛选模型，精准提取暗弱信号。
真实噪声训练：  
  模型直接利用含真实噪声的海量观测数据训练，避免人工降噪导致的信号失真，实现高保真重建。
2. 天文科学导向的AI评价方法：摒弃“颜值”，追求科学真实
定制化评价指标：  
  团队摒弃计算机视觉领域的通用指标（如PSNR、SSIM），转而以探测能力、形态保真、光度保持为核心，确保模型输出符合天文研究需求。
科学需求驱动架构设计：  
  评价方法直接引导模型优化方向，避免“数据平滑但科学价值降低”的误区。
3. “分时中位+全时平均”联合优化：提升信噪比，抑制虚假信号
双重机制：  
分时中位：通过多帧数据中值处理，抑制瞬态噪声；  
全时平均：整合长时间观测数据，提升信号稳定性。  
效果：  
  显著增强暗弱信号探测能力，同时将虚假信号概率降至最低，保障数据科学性。
应用成果：绘制宇宙黎明图景，开启极端暗弱天体研究新窗口
1. JWST数据验证：  
探测深度提升：暗弱天体完备度提升1.0个星等，准确度提升1.6个星等。  
高红移星系发现：识别出160余个宇宙大爆炸后2至5亿年的候选星系（红移z>8），数量是先前的3倍。  
光度函数构建：绘制出当前最深邃的早期星系光度分布图，为研究宇宙第一缕曙光提供关键数据。

2. 跨平台兼容性：  
多望远镜适配：已成功应用于JWST（空间）和昴星团望远镜（地面），覆盖可见光（500纳米）至中红外（5微米）波段。  
通用深空数据平台：可兼容不同探测设备，为全球天文观测提供AI增强解决方案。
未来展望：AI与天文深度融合，探索宇宙未知边界
“星衍”模型的突破标志着AI从数据处理工具升级为天文观测的核心驱动力。其成功不仅为极端暗弱天体研究开辟新路径，更证明了跨学科创新（计算光学+AI+天文学）在解决科学难题中的巨大潜力。随着模型进一步优化，人类有望探测到更遥远的宇宙初期天体，揭开暗物质、暗能量等未解之谜，重新定义我们对宇宙演化的认知。

结语：  
清华大学团队的这一成果，是AI技术赋能基础科学的典范。通过“星衍”模型，人类首次得以“看清”宇宙黎明时期的微弱星光，为探索宇宙起源与演化写下浓墨重彩的一笔。未来，这一技术或将成为全球天文观测的“标配”，推动人类认知边界不断拓展。