您现在的位置是：网站首页>足球足球

捕鱼电玩城全部

杨向彤 2025-05-14 【足球】 2095 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⑧，在庞大的宇宙数据中⑳，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⑰。凭借此项成就②，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⑭，其研究成果更是以独立作者的身份⑮，发表在了天文学领域的权威期刊The Astronomical Journal上⑱。而取得这些成就的他⑳，如今才刚 18 岁⑯。

一位少年的天文梦④、Paz 的天文探索之路始于童年⑧。小学时①，母亲常带他参加美国加州理工学院的公众观星讲座▓，在他心中埋下了探索星空的种子⑳。2022 年⑬，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⑥，系统学习天文学知识❸。次年⑲，他参与了加州理工为期六周的“暑期研究连接”项目②，该项目旨在将当地高中生与校园科研导师对接⑧。正是在此期间⑪，他遇到了对其科研生涯产生重要影响的导师——Davy Kirkpatrick⑪。

Kirkpatrick 是加州理工红外处理与分析中心的资深科学家⑧。Paz 回忆道：“我非常幸运能遇到 Davy⑨。我记得第一天和他谈话时⑨，就提出我想完成一篇论文❸，这对于一个短期项目来说目标宏大⑱。但他没有打击我⑪，反而鼓励我深入探讨①。他给了我极大的学术自由⑫，这对我作为科学家的成长至关重要③。”Kirkpatrick 本人也曾受惠于良师的指引⑩，他表示：“我希望能将这种指导精神传递下去⑯，帮助更多有潜力的年轻人实现他们的科学梦想⑰。”

Kirkpatrick 交给 Paz 的任务⑮，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⑱。

NEOWISE 望远镜自 2009 年起在红外波段对全天进行扫描⑱，主要搜寻小行星和彗星等近地天体⑲，同时也捕捉到了大量遥远宇宙天体的红外辐射变化⑳。这些因亮度变化而被称为“变源”的天体⑳，包括爆发的超新星▓、脉动变星▓、食双星以及类星体等⑯，它们的光变曲线蕴含着天体物理过程⑥、宇宙距离乃至宇宙演化的关键信息⑥。NEOWISE 在十余年间积累了近 200 太字节的数据④，包含约 2000 亿条单次曝光记录⑳。

然而⑥，从如此庞大的数据集中筛选变源⑦，对传统人工方法而言无异于大海捞针⑯。Kirkpatrick 最初仅希望 Paz 尝试分析一小片天区③，作为概念验证❶。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⑲，敏锐地意识到 AI 是解决这一难题的关键⑮，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⑧。

在短短六周的暑期项目中⑯，Paz 不仅构思并初步实现了名为 VARnet 的人工智能模型❸，还与 Kirkpatrick 及加州理工的其他天文学家深入交流④，学习了相关天体物理知识❸，并了解到 NEOWISE 观测节奏对探测某些类型变源的局限性▓。暑期项目结束后①，研究并未止步⑦。2024 年❶，Paz 与 Kirkpatrick 继续合作②，他不断优化 VARnet 模型⑦，使其能够处理 NEOWISE 的全部原始数据②。最终▓，该模型在对超过 4.5 亿个天体进行筛选后⑥，从约 190 万个可能的变源中⑬，确认了 150 万个此前未被编目的新发现⑫。

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⑯，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⑦。

图丨相关论文⑭、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⑮，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❷，以极高效率从嘈杂⑩、不规则的光变曲线中提取有效信息⑳。首先②，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⑫。然后❶，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⑭，减去中位数以关注相对变化❶，使用四分位距进行标准化以抵抗异常值▓，最后用反双曲正弦函数压缩数据范围⑬，同时对时间戳进行归一化⑨。

图丨异常提取流程⑲、VARnet 模型本身是一个深度神经网络▓，其架构整合了多种技术②。它利用离散小波变换来进行时频分析②，这有助于去噪并捕捉光变曲线中短暂的高频细节变化⑬，如凌星事件的快速下降⑫。Paz 还提出了一种“有限嵌入傅里叶变换”④。与标准傅里叶变换不同⑭，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⑲，这对于处理长度差异巨大的 NEOWISE 数据至关重要⑰。

更重要的是⑨，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⑥，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⑩。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❷，例如亮度的上升❷、下降⑱、峰值等特定形状❸。最后③，全连接层负责整合来自不同处理模块的所有特征信息⑨，并做出最终的分类判决❶，判断该天体属于静止⑮、瞬变⑦、脉动还是凌星等预设类别⑫。

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⑩，但 NEOWISE 数据中已知且分类准确的变星数量相对不足▓，特别是瞬变天体⑩。为此⑥，Paz 采用了生成合成数据的策略▓。他为四种主要天体类别构建了数学模型⑮，不仅模拟了光变曲线的典型形状④，还精确地复现了 NEOWISE 的不规则采样节奏和真实的噪声水平⑰。

通过随机化模型参数⑥，其能生成几乎无限量的⑯、高度逼真的合成光变曲线用于训练 VARnet⑪。这种方法极大地增强了模型的泛化能力④，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⑤。

VARnet 的表现十分出色⑪。在真实的红外源验证集上⑨，它对四种天体类别的分类 F1 分数达到了 0.91⑥。在区分“真实变化”与“无变化/噪声”这个更基础的任务上③，其精确率和召回率均超过 97%⑤，F1 分数高达 0.974❶，显示出极高的可靠性④。在高性能 GPU 支持下⑫，分析单个天体源的平均耗时低于 53 微秒⑬。

150 万个新发现的意义

Paz 发现的这 150 万个“候选”变源❸，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⑫，Paz 列举了 VARnet 发现的一些具体案例⑲，以展示其强大的探测能力⑱。

例如①，VARnet 发现了一个此前未被编目的食双星候选体❸，位于 J2000 坐标赤经 18h53m48.3s⑬，赤纬 -59°08′75.1″⑲，通过后续分析⑲，其周期被确定为约 5.877 天⑭。

另一个重要发现是分离双星系统 2MASS J01542169-5944445❶。这个位于 J2000 赤经/赤纬 28.59051°⑥，-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▓，但从未被识别为变源天体①。VARnet 发现了其显着的凌星信号⑫，周期约为 5.8061 天⑰，可能存在一个影响其化学成分的伴星⑭。

在研究银河系外目标时⑰，VARnet 的能力同样出色⑨。例如它探测到了星系 LEDA 174461 的微弱但显着的亮度变化⑦，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③。同时⑫，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⑥。这些具体的发现❷，不仅验证了 VARnet 的探测精度和广度⑮，也为后续的详细研究提供了直接的目标⑰。

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❸。而大量超新星⑲、黑洞和双星系统候选者⑳，则为研究恒星演化⑩、元素起源⑫、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⑥。

为了让这些发现能够被更广泛的天文学界所利用⑤，Paz 和他的导师正在将这些结果整理②、汇编成一个名为 VarWISE 的公开星表目录②。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⑭。他们已经发现了数十个以前未被探测到的双星系统⑤。Kirkpatrick 补充说③，这项研究还有助于计算遥远系外行星的质量⑥。

值得一提的是⑨，VARnet 还能有望在天文学之外发挥作用②。“我实现的模型可以用于天文学中的其他时域研究⑪，以及任何以时间序列格式出现的数据❶。”Paz 解释道②，“我能看到它与图表分析的相关性⑫，那里的信息同样以时间序列形式出现⑨，周期性成分可能至关重要②。你也可以用它来研究大气效应⑨，比如污染⑩，其中周期性的季节和昼夜循环扮演着重要角色③。”

但眼下▓，Paz 更希望利用他的 NEOWISE 发现④，深入研究那个困扰天文学界已久的宇宙膨胀率问题⑤。“这要么将有助于解决当前研究中一个极具争议的话题②，要么将揭示一些关于宇宙起源的真正基础性的东西❸。”

参考资料：▓、运营/排版：何晨龙

很赞哦❷！

随机图文