您现在的位置是： 网站首页>军事军事

星际电玩城安卓版下载

彭惜雪 2025-05-13 【军事】 9570 人已围观

新智元报道❸、【新智元导读】18岁天才高中生⑨，利用AI竟发现了150万个隐藏天体⑳，震惊全球⑧。这篇独着论文已登上天文学顶刊⑳，或将助力探索宇宙起源之谜③。为此❸，他斩获了25万美元科学竞赛大奖⑫，直通斯坦福④。

在NASA的2000亿条数据中隐藏着150万个未知天体⑭，而揭开它们神秘面纱的④，竟是一位美国高中生⑤！

他就是Matteo Paz⑲，来自加州南帕萨迪纳高中的天才少年①。

基于加州理工学院的研究⑧，Matteo挖掘了美国国家航空航天局某项任务「沉睡的数据」⑬，并以独着身份在天文学顶级期刊发文②。

凭借这项成果④，他直接拿下了Regeneron科学人才搜索竞赛竞赛的25万美元奖金⑲。

2025年3月11日⑳，Matteo Paz与加州理工学院院长Thomas F. Rosenbaum在Regeneron科学人才探索奖颁奖典礼上的合影▓。

目前③，这项研究已于去年11月发表在《The Astronomical Journal》上⑲，并在文中作了详细阐述❸。

不过⑥，该论文中并未提及的是▓，唯一作者只有18岁⑭。

150万潜在天体⑮，⑧、18岁拿下25万美元奖金

近日①，来自美国加州的18岁高中生Matteo Paz❶，凭借将机器学习与天文学巧妙融合的卓越研究❷，在2025年Regeneron科学人才搜索竞赛中力压群雄⑱，斩获一等奖⑮，并将25万美元奖金收入囊中⑱。

2025年Regeneron科学人才搜索竞赛获奖者❸，中间为Matteo Paz

Regeneron科学人才搜索竞赛始于1942年⑫，被誉为美国「历史最悠久⑭、最具声望的高中生科学与数学赛事」⑯，最初名为西屋科学天才搜索⑫，旨在表彰并赋能那些有潜力的年轻科学家④。

他利用AI①，处理了来自NASA的2000亿条数据⑦，揭示了150万个先前未知的潜在天体⑥。

在2013年12月⑧，NEOWISE发现的第一颗近地小行星的运行轨迹▓，红色点表示移动路径④。

接受采访时⑨，Matteo Paz坦言：「能参与竞赛已是荣幸⑩，从闯入前十到最终夺冠②，惊喜接踵而至⑮，至今仍觉得像在做梦⑳。」

Matteo Paz站在后排⑳，对自己获得第一名的成绩感到震惊⑤。

在赢得25万美元奖金后⑳，Paz的下一个征途是大学④。

他表示⑫，自己已被斯坦福大学录取⑳。

就在参加颁奖典礼的几周前③，Paz在帕萨迪纳的家中醒来⑳，透过窗户看到外面烈焰翻腾▓。

伊顿山火蔓延得极快⑪，以至于他未收到任何官方警报⑱。

伊顿山火于2025年1月7日傍晚爆发⑳，在天气影响下⑤，火势迅速蔓延⑮，共造成至少18人死亡❷，摧毁了9,000多座建筑⑳，成为加州历史上死亡人数第五高⑳、破坏程度第二严重的野火

在疏散和数日的火情之后❶，他的家最终幸免于难▓。

这让他有了新的视角⑰。

现在⑱，他正在思考是否有可能将一台红外望远镜送入地球轨道——这次是为了监测地球本身的新发火灾❸。

不过⑱，眼下他更希望利用他在NEOWISE数据中的研究成果⑪，探索宇宙从大爆炸以来的神秘膨胀速度⑪，帮助科学家解开宇宙学中最大谜题之一⑲。

「这项工作要么能帮助解决当前研究中一个极具争议的问题⑱，要么将揭示一些关于宇宙起源的真正基础性的东西⑩。」

「追星」路上⑱，偶得名师⑯、早在小学时期⑰，Paz对天文学的热爱便已萌芽⑮。

那时②，母亲常带他参加加州理工学院的公众观星讲座⑥，璀璨星空就此在他心中种下探索的种子⑱。

2022年夏天⑩，他走进加州理工学院⑦，在Andrew Howard教授领衔的行星探测器学院⑰，系统学习天文学与相关计算机科学知识⑩，开启了更深入的学术探索之旅⑫。

天文学教授：Andrew Howard

2023年⑰，他参与了加州理工学院为期六周的暑期研究计划⑯。

该项目由教学⑦、学习和推广中心运营⑫，旨在为当地高中生匹配校园实验室导师⑱，支持学生开展科研实践⑯。

加州理工学院2023年Kirkpatrick小组SRC项目汇报

天文学家和IPAC高级科学家Davy Kirkpatrick担任Paz的导师❸。

在过去的五年里⑮，除了本科生③、公民科学家和来访的研究员之外⑥，Kirkpatrick还指导过高中生❶。

天文学家：Davy Kirkpatrick

Paz很幸运地遇到了导师Davy④，Davy给予了他充分的自由和支持⑯。他回忆道：

我记得在我们第一次交谈时⑧，我提到自己的目标是发表论文⑭，这个目标远远超出了六周项目的周期⑦。他非但没有劝阻⑩，反而欣然回应：「好的⑲，那我们来谈谈吧」 ③。

在研究过程中⑧，他为我提供了充分的自主探索空间❸，而正是这种自由⑦，使我在科研道路上得以迅速成长⑬。

Kirkpatrick成长于田纳西州的农业社区▓，在九年级化学与物理老师Marilyn Morrison的助力下⑫，圆了天文学家之梦▓。

Morrison老师向他和母亲点明其天赋⑪，并悉心指导升学所需课程⑤，为大学深造铺路④。

如今①，Kirkpatrick希望将老师当年的指引传递下去⑫，他表示：「一旦发现别人的潜力⑱，我一定会全力帮助他充分发挥出来⑯。」

2025年Regeneron科学天才搜索一等奖得主Matteo Paz手持奖杯

但Kirkpatrick希望从NEOWISE项目中获取更多有价值的信息⑩。

巡天功臣❸，泽被后代②、NEOWISE是NASA已退役的红外望远镜⑨。

在服役的十多年间❷，它不间断地扫描整片天空①，专注搜寻地球附近的小行星及其他天体⑧。

NEOWISE在2024年底重返大气层并安全烧毁

虽然NASA的NEOWISE望远镜以观测小行星为主要任务⑩，但在运行期间❸，它还敏锐捕捉到遥远宇宙物体的热量变化⑧。

这些天体有的会发出强烈闪光或脉动⑩，有的在相互遮掩时会出现亮度衰减⑮，反映出宇宙天体运动过程中的多样性和复杂性⑭。

天文学家将这些亮度变化的现象统称为变星▓，其中一些类型如类星体⑤、超新星和互相遮掩的双星系统③，因其变化不易捕捉而尤为复杂⑤。

模拟的双星系统亮度变化④、然而⑬，这些关于变星的数据尚未得到充分利用④。

如果NEOWISE团队能够识别这些天体并向天文界公开相关数据②，由此生成的变星目录将有助于人类深入理解宇宙天体随时间演化的规律⑪。

当时⑨，团队已积累超十年的探测数据⑱，总数据量接近2000亿行⑰。

2024年②，NEOWISE团队公布了项目的最终数据和未发现图像

Kirkpatrick的设想是：

在夏天先选取一小块天空进行分析⑬，看看能否从中找到一些变星❸。

然后⑫，我们再向天文界展示这些成果❸，告诉他们「这是我们亲自发现的新事物⑧，想象一下整个数据集蕴含的巨大潜力吧⑰！」

AI下场⑩，大显身手⑳、面对NEOWISE近2000亿行的海量数据⑧，Paz并未选择手动筛选▓，而是凭借在校积累的知识另辟蹊径⑬。

在一门融合了编程❷、理论计算机科学和数学的选修课上④，他对AI产生了浓厚的兴趣①。

他深知⑰，AI在大规模有序数据集上训练效果最好①，而导师Kirkpatrick提供的数据恰好满足这一条件⑪。

幸运的是⑤，他完成了AP微积分BC课程⑲，具备了开发机器学习模型所需的数学能力⑦。

基于这些优势⑩，Paz开始构建机器学习模型⑦，对数据集进行系统性分析❶，精准识别潜在的变星候选体⑫。

2014―2018年天文学中应用深度学习的论文研究主题和各主题数量趋势

在那六周里⑤，他开始构建⑥、模型⑲，该模型初见成效②。

研究期间⑭，Paz常向Kirkpatrick请教天文学与天体物理学知识②。

谈及这段经历⑬，他总是难掩喜悦：

每次和Davy见面⑧，我们只有10%的时间在讨论工作⑧，剩下90%的时间都在闲聊⑫。能有这样一个人可以一起畅谈科学②，真是太棒了❶！

Kirkpatrick还将Paz介绍给了加州理工学院的天文学家Shoubaneh Hemmati⑭、Daniel Masters⑪、Ashish Mahabal和Matthew Graham❸。

他们在❸、天文学中的⑮、机器学习⑭、应用❶，以及不同时间尺度下变星的研究方面⑳，为Paz提供了宝贵的专业知识⑦。

Paz与Kirkpatrick意识到❷，NEOWISE的观测方式存在局限性❸，难以有效检测和分类那些快速闪烁或缓慢变化的天体④。

夏天结束后⑮，还有很多工作要做⑥。

第二年也就是2024年⑨，Paz和Kirkpatrick再次合作⑩。

现在⑤，Paz已经改进了AI模型❸，用于处理来自NEOWISE观测的全部原始数据❸，并分析了结果⑩。

该模型在包含真实红外变星的验证数据集上进行测试⑭，在四类变星识别任务中取得了0.91的F1分数⑥。

此外⑦，从NEOWISE数据中❶，模型成功识别并分类出约150万个潜在的变星候选体❷。

在这项研究之前⑳，从未有人尝试利用这张包含2000亿行的数据集⑯，去识别和分类其中所有重要的变异性现象⑥。

Matteo Paz于2023年的研讨会上展示了他的初步研究成果

他补充说⑤，加州理工学院的研究人员已经开始使用帕兹编制的潜在变星体目录——VarWISE②，用于研究双星系统⑦。

首个完整的红外变异性巡天项目VarWISE⑥，共识别并分类了190万个变星体⑲，划分为10个类别

在2025年⑫，Paz和Kirkpatrick计划发布包含NEOWISE数据中亮度变化显着的天体的完整目录⑦。

AI+天文学：全新方法③、Matteo Paz设计了一套处理流程①，从NEOWISE数据中提取变星候选体⑧。

论文链接：https://iopscience.iop.org/article/10.3847/1538-3881/ad7fe6

以前的方法在检测周期性信号方面非常有效④，但它们在处理WISE如此大规模数据时速度极慢⑯，几乎无法在实际中使用⑦。

而Paz采用的全新机器学习模型③，却能在现实可行的时间范围内解决这一问题⑩！

它的目标就是▓，分析天空中任意天体的光变曲线⑮，并将其分类为静态源④、新星/明亮瞬变源③、双星系统或脉动光源⑯。

具体来说⑳，Paz采用卷积操作和变换技术来提取高细节特征⑧，让模型能够有效检测到周期性和非周期性的亮度变化⑲。

为此⑱，他专门设计了VARnet模型④，能够快速识别天体时间序列数据中的真实变异性⑬。

对于每条约含2000个数据点的光变曲线⑤，在一张22GB显存的GPU上⑳，VARnet处理速度大于53微秒/天体①。

但训练VARnet需要大量训练数据④。为此⑪，Paz专门为每类目标光源开发了一个精准的合成光变曲线生成器⑳，以便为这一复杂模型提供无限量的训练样本⑥。

生成一条完整的合成光变曲线样本的步骤如下：

1. 构造一个基础亮度函数f

2. 按照WISE的观测节奏对该函数进行采样

3. 加入高斯噪声 ❶，其中噪声方差为亮度函数的某种函数形式

伪代码详见算法2⑯。

这一方法论实现了极快的运行速度⑰，并在测试集上表现出高精度和强性能⑦，最终生成了高质量的异常目标列表❸。

原文图1：异常检测流程示意图

整个流程如下：▓、收集并预处理数据③、采用基于密度的方法⑭，对单次曝光源目录中的天体显现进行空间聚类❶，以及一系列数据变换⑨，提高数据质量①。

设计并训练信号处理模型VARnet❷，能够快速识别天体时间序列数据中的真实变异性⑯。

VARnet使用一维小波分解来最大限度地降低异常数据对分析结果的影响⑳，并对离散傅里叶变换进行了创新性的改进③，从而快速检测周期性并提取时间序列特征②。

VARnet将这些特征分析整合⑳，利用机器学习实现对天体类型的预测❸，主要依赖卷积神经网络⑨。

VARnet模型的完整结构

VARnet模型的完整结构如上图所示⑯。

整个模型统一采用ReLU激活函数②，开始包含三个卷积层❸，用于处理信号⑯，并将其压缩为三通道①，送入傅里叶特征提取模块⑳。在模型实际运行中⑰，最终的输出向量会经过softmax操作▓，使预测结果可以被解释为概率形式⑩，并按置信度进行排序

利用VARnet识别出新的异常天体并人工检查预测结果④。

他还验证了③，VARnet对已知及新发现的变星源均具有高度的敏感性与准确性⑥。

果然⑫，VARnet产生了一些有趣的探测结果❷！

首先⑰，它以极高的置信度❷，恢复了许多已知物体❷。

比如⑱，食变星V* V1403 Ori就被成功识别出来了⑮，置信度超过0.99①。

另一个被精妙识别出来的③，就是食双星系统CRTS J054306.5−024247⑦。

而且③，VARnet还发现了全新的天体▓。

位于J2000赤经/赤纬1.53483°⑬，−59.08751°的天体⑫，就被VARnet标记为变星候选体⑥。经检索发现⑤，该天体在现有文献或任何星表中均无相关记录⑦。

甚至⑨，模型还发现了一颗超新星⑬！

在J2000 赤经/赤纬 31.40235°④，−61.05673°处⑬，模型标记了一个天体为瞬变活动源③，经比对⑲，该天体对应星表中记录的星系LEDA 358365⑫。

2023年6月⑭，该天体曾出现快速变亮的现象▓；而在WISE的下一次观测中⑮，其亮度又恢复至平均水平⑲。

在对瞬变事件目录进行检索后▓，可以发现⑭，该事件与AT 2023lkp的观测记录相符⑤。

考虑到该事件的持续时间及其起源于该星系的事实⑪，Paz等人判断：这很可能是一颗超新星⑳。

如果对具体的细节感兴趣⑨，不妨参阅原文②。

参考资料：

很赞哦⑬！

随机图文