您现在的位置是： 网站首页>汽车汽车

星际传奇电玩城里有黑社会吗

崔从蓉 2025-05-14 【汽车】 0539 人已围观

来自美国加州的一位少年 Matteo Paz 利用自己开发的 AI 算法▓，在庞大的宇宙数据中▓，成功从美国国家航空航天局的海量观测数据中识别出超过 150 万个此前未知的天体④。凭借此项成就⑮，Paz 获得了美国顶尖的高中生科学竞赛——Regeneron 科学天才奖的最高奖项及 25 万美元奖金②，其研究成果更是以独立作者的身份❷，发表在了天文学领域的权威期刊The Astronomical Journal上⑪。而取得这些成就的他❷，如今才刚 18 岁⑫。

一位少年的天文梦▓、Paz 的天文探索之路始于童年⑳。小学时⑨，母亲常带他参加美国加州理工学院的公众观星讲座⑱，在他心中埋下了探索星空的种子⑩。2022 年②，他加入了加州理工天文学教授 Andrew Howard 主导的“加州理工行星发现者学院”暑期项目③，系统学习天文学知识▓。次年⑯，他参与了加州理工为期六周的“暑期研究连接”项目⑩，该项目旨在将当地高中生与校园科研导师对接⑭。正是在此期间❸，他遇到了对其科研生涯产生重要影响的导师——Davy Kirkpatrick④。

Kirkpatrick 是加州理工红外处理与分析中心的资深科学家⑳。Paz 回忆道：“我非常幸运能遇到 Davy⑭。我记得第一天和他谈话时⑭，就提出我想完成一篇论文⑰，这对于一个短期项目来说目标宏大❸。但他没有打击我⑨，反而鼓励我深入探讨⑲。他给了我极大的学术自由⑦，这对我作为科学家的成长至关重要⑤。”Kirkpatrick 本人也曾受惠于良师的指引③，他表示：“我希望能将这种指导精神传递下去⑮，帮助更多有潜力的年轻人实现他们的科学梦想⑯。”

Kirkpatrick 交给 Paz 的任务❶，聚焦于挖掘美国国家航空航天局已退役的“近地天体广域红外巡天探测器”任务所积累的海量数据▓。

NEOWISE 望远镜自 2009 年起在红外波段对全天进行扫描⑩，主要搜寻小行星和彗星等近地天体⑳，同时也捕捉到了大量遥远宇宙天体的红外辐射变化⑫。这些因亮度变化而被称为“变源”的天体⑰，包括爆发的超新星⑳、脉动变星⑯、食双星以及类星体等⑩，它们的光变曲线蕴含着天体物理过程▓、宇宙距离乃至宇宙演化的关键信息⑪。NEOWISE 在十余年间积累了近 200 太字节的数据⑳，包含约 2000 亿条单次曝光记录⑧。

然而⑤，从如此庞大的数据集中筛选变源▓，对传统人工方法而言无异于大海捞针⑪。Kirkpatrick 最初仅希望 Paz 尝试分析一小片天区⑳，作为概念验证⑦。但 Paz 凭借其在人工智能选修课上培养的兴趣以及在帕萨迪纳联合学区数学学院打下的坚实数学基础▓，敏锐地意识到 AI 是解决这一难题的关键⑯，于是决定开发一个机器学习模型来自动化分析整个数据集⑳。

在短短六周的暑期项目中⑰，Paz 不仅构思并初步实现了名为 VARnet 的人工智能模型⑬，还与 Kirkpatrick 及加州理工的其他天文学家深入交流▓，学习了相关天体物理知识⑪，并了解到 NEOWISE 观测节奏对探测某些类型变源的局限性⑳。暑期项目结束后❶，研究并未止步⑱。2024 年⑩，Paz 与 Kirkpatrick 继续合作⑯，他不断优化 VARnet 模型⑬，使其能够处理 NEOWISE 的全部原始数据⑬。最终⑰，该模型在对超过 4.5 亿个天体进行筛选后❸，从约 190 万个可能的变源中⑲，确认了 150 万个此前未被编目的新发现⑭。

VARnet 模型：AI 赋能天文新发现

Paz 在The Astronomical Journal上发表的论文《一种基于亚毫秒傅里叶和小波的模型⑦，用于从 NEOWISE 单次曝光数据库中提取候选变源》详细阐述了 VARnet 的技术细节❶。

图丨相关论文⑧、VARnet 是一个专为快速分析天文时间序列数据而设计的信号处理模型⑦，该模型的核心在于融合多种信号处理技术和深度学习方法⑤，以极高效率从嘈杂⑱、不规则的光变曲线中提取有效信息⑫。首先⑬，他使用 DBSCAN 聚类算法将属于同 一个天体的零散观测点聚集起来⑯。然后⑮，对收集到的数据进行细致的预处理：将星等转换为线性流量⑬，减去中位数以关注相对变化⑲，使用四分位距进行标准化以抵抗异常值⑱，最后用反双曲正弦函数压缩数据范围②，同时对时间戳进行归一化⑰。

图丨异常提取流程⑧、VARnet 模型本身是一个深度神经网络④，其架构整合了多种技术①。它利用离散小波变换来进行时频分析④，这有助于去噪并捕捉光变曲线中短暂的高频细节变化❸，如凌星事件的快速下降②。Paz 还提出了一种“有限嵌入傅里叶变换”⑳。与标准傅里叶变换不同▓，FEFT 能将任意长度的输入时间序列映射到一个固定长度的特征向量中⑫，这对于处理长度差异巨大的 NEOWISE 数据至关重要②。

更重要的是❷，FEFT 能让网络在训练中自适应地学习选择最重要的频率信息进行嵌入⑯，有效捕捉光变曲线中持续时间较长的周期性或趋势性变化⑲。卷积神经网络则被用来学习和识别光变曲线中的时序模式▓，例如亮度的上升④、下降⑱、峰值等特定形状⑮。最后▓，全连接层负责整合来自不同处理模块的所有特征信息⑯，并做出最终的分类判决❷，判断该天体属于静止▓、瞬变⑯、脉动还是凌星等预设类别⑩。

图丨 VARnet 模型架构

训练这样复杂的模型需要海量的标注数据⑤，但 NEOWISE 数据中已知且分类准确的变星数量相对不足⑭，特别是瞬变天体❶。为此❷，Paz 采用了生成合成数据的策略②。他为四种主要天体类别构建了数学模型①，不仅模拟了光变曲线的典型形状❶，还精确地复现了 NEOWISE 的不规则采样节奏和真实的噪声水平❸。

通过随机化模型参数⑲，其能生成几乎无限量的⑲、高度逼真的合成光变曲线用于训练 VARnet⑨。这种方法极大地增强了模型的泛化能力❷，而真实的已知变星数据则被保留用于最终的模型性能验证④。

VARnet 的表现十分出色▓。在真实的红外源验证集上⑤，它对四种天体类别的分类 F1 分数达到了 0.91⑭。在区分“真实变化”与“无变化/噪声”这个更基础的任务上⑦，其精确率和召回率均超过 97%⑲，F1 分数高达 0.974⑩，显示出极高的可靠性⑤。在高性能 GPU 支持下⑭，分析单个天体源的平均耗时低于 53 微秒⑮。

150 万个新发现的意义

Paz 发现的这 150 万个“候选”变源③，对于研究宇宙演化和基本物理规律而言具有重要意义⑥。在其发表的论文中⑧，Paz 列举了 VARnet 发现的一些具体案例❶，以展示其强大的探测能力⑰。

例如①，VARnet 发现了一个此前未被编目的食双星候选体▓，位于 J2000 坐标赤经 18h53m48.3s⑮，赤纬 -59°08′75.1″⑩，通过后续分析⑭，其周期被确定为约 5.877 天⑬。

另一个重要发现是分离双星系统 2MASS J01542169-5944445⑥。这个位于 J2000 赤经/赤纬 28.59051°▓，-59.74571°的系统此前在 GALAH 巡天第三次数据发布中被记录为化学特异星⑮，但从未被识别为变源天体⑲。VARnet 发现了其显着的凌星信号⑯，周期约为 5.8061 天▓，可能存在一个影响其化学成分的伴星⑮。

在研究银河系外目标时⑧，VARnet 的能力同样出色⑲。例如它探测到了星系 LEDA 174461 的微弱但显着的亮度变化⑭，以及星系 LEDA 358365 内部发生的一次与超新星 AT 2023lkp 相符的瞬变事件⑥。同时❶，它还标记了星系 LEDA 340305 的活动星系核表现出的显着亮度增加▓。这些具体的发现❸，不仅验证了 VARnet 的探测精度和广度⑩，也为后续的详细研究提供了直接的目标▓。

这些新发现的“标准烛光”可能为解决当前的“哈勃常数危机”提供关键线索❶。而大量超新星⑭、黑洞和双星系统候选者⑨，则为研究恒星演化⑨、元素起源④、星系形成以及极端物理条件下的物质行为提供了前所未有的样本库⑭。

为了让这些发现能够被更广泛的天文学界所利用⑰，Paz 和他的导师正在将这些结果整理⑨、汇编成一个名为 VarWISE 的公开星表目录③。加州理工学院的一个红外研究小组已经开始利用该目录来研究遥远宇宙中的双星系统③。他们已经发现了数十个以前未被探测到的双星系统▓。Kirkpatrick 补充说⑰，这项研究还有助于计算遥远系外行星的质量④。

值得一提的是⑦，VARnet 还能有望在天文学之外发挥作用⑲。“我实现的模型可以用于天文学中的其他时域研究▓，以及任何以时间序列格式出现的数据❶。”Paz 解释道⑰，“我能看到它与图表分析的相关性④，那里的信息同样以时间序列形式出现⑪，周期性成分可能至关重要⑩。你也可以用它来研究大气效应⑱，比如污染④，其中周期性的季节和昼夜循环扮演着重要角色⑤。”

但眼下▓，Paz 更希望利用他的 NEOWISE 发现⑦，深入研究那个困扰天文学界已久的宇宙膨胀率问题⑧。“这要么将有助于解决当前研究中一个极具争议的话题❶，要么将揭示一些关于宇宙起源的真正基础性的东西⑮。”

参考资料：❷、运营/排版：何晨龙

很赞哦❶！

随机图文