人工智能开启宇宙测绘新时代
数百年来，天文学家仰望夜空，试图揭开恒星、星系以及将它们连接在一起的浩瀚宇宙网的奥秘。如今，宇宙的庞大规模带来了新的挑战：当传统方法几乎跟不上步伐时，我们该如何分类和理解数十亿个天体？中国云南天文台的一支科学家团队取得了突破性进展，开发出一种人工智能（AI）模型，已对广阔天区中的2700多万个宇宙天体——恒星、星系和类星体——完成分类。这一成果标志着天文学发展的关键时刻，有望改变我们探索和理解宇宙的方式。
目录
宇宙分类为何如此困难
现代天文学正经历数据爆炸。斯隆数字巡天（SDSS）、千度巡天（KiDS）和欧洲航天局的欧几里得任务等先进望远镜和巡天项目，正在拍摄数十亿个天体的图像并采集其测量数据。每一项新的巡天都会增加数TB数据，揭示数十亿光年外的星系、超新星以及宇宙网的精细结构。
传统上，天文学家依靠光谱学——分析天体发出的光，以确定其成分、距离和类型。光谱学精确，但速度慢、资源消耗大。面对如今的数据量，人们根本无法依靠人工或半自动化方法跟上处理进度。因此，天文学家越来越多地转向测光巡天，通过不同颜色（波长）拍摄图像，但这类数据缺乏光谱所包含的详细信息。测光数据虽然处理更快，却可能含糊不清：遥远的星系、恒星和类星体往往呈现为微小明亮的光点，仅凭形状很难区分。
人工分类与传统机器分类的局限
自动分类的尝试包括决策树、随机森林等经典机器学习算法，以及近年兴起的深度学习神经网络。这些方法已取得令人瞩目的准确率，但仍面临挑战，尤其是在处理暗弱或遥远天体，以及被宇宙尘埃遮挡的区域时。智利拉塞雷纳大学的一项研究发现，机器学习模型在“避空区”等困难区域可能表现不佳。该区域的大量可见光被尘埃遮挡，如果模型没有使用多样化的多波段数据进行训练，错误率就会很高。
中国AI模型的工作原理
云南天文台团队开发的新AI模型代表了一项重大进展。以往的方法依赖天体的外观（形态）或颜色（光谱能量分布，简称SED），而这款神经网络能够同时处理这两类信息。这种双输入设计使AI能够捕捉恒星、星系和类星体之间细微的差异，否则这些差异可能会被忽略。
该模型使用SDSS第17次数据发布中经光谱确认的天体进行训练，这类数据是天文分类领域的黄金标准。随后，研究团队用KiDS巡天的图像对模型进行测试，重点分析视星等亮于r = 23等的天体，覆盖约1350平方度的天空。最终，模型以极高的速度和准确率完成了2700多万个天体的分类。
通过多项巡天验证准确性
为确保模型可靠，团队使用其他主要巡天的数据对其进行了验证。将模型应用于盖亚任务的340万个天体（主要是运动特征明确的恒星）时，AI正确识别出其中99.7%为恒星。在星系与大质量组装（GAMA）巡天数据中也取得了类似的成绩：99.7%的星系和类星体均被准确分类。在一些情况下，AI甚至纠正了以往的错误，将过去目录中标记有误的天体重新分类。
如此高的准确率表明该模型具有很强的稳健性，并有望改进现有天文数据库，成为天文学界的有力工具。
AI与全球宇宙测绘竞赛
中国的这一突破是更广泛趋势的一部分：世界各地的天文学家都在竞相开发能够处理新一代望远镜海量数据的AI工具。例如，欧洲航天局的欧几里得任务仅用计划巡天区域的一小部分，就已绘制出2600万个星系。未来六年，欧几里得将对超过15亿个星系成像，每天回传约100 GB数据。同样，即将投入运行的薇拉·鲁宾天文台预计将发现数百万颗新超新星和其他瞬变天体。明亮瞬变源巡天机器人（BTSbot）等AI工具，已经在兹威基瞬变源设施巡天中实现超新星发现和分类流程的自动化。
公民科学与AI：强强联手
面对如此规模的挑战，天文学家也在寻求公众帮助。星系动物园和新推出的“星系动物园：欧几里得”等项目，邀请世界各地的志愿者协助分类星系形状。这些公民科学家与ZooBot等AI算法协同工作：AI处理较简单的案例，并将更复杂的图像交由人类判断。这种合作不仅加快了分类速度，也有助于训练和改进AI，形成推动发现的良性循环。
美国国家航空航天局的詹姆斯·韦布空间望远镜和欧几里得任务都采用了这种人机协作方式，数千名志愿者与先进AI携手，建立迄今规模最大、细节最丰富的星系形态目录。
AI如何改变天文学
AI对天文学的影响远不止提升速度。通过快速、准确地对海量天体进行分类，AI帮助科学家：
- 发现环状星系或遥远类星体等罕见或不同寻常的天体，避免它们被忽略。
- 追踪星系在宇宙时间尺度上的结构与演化，揭示宇宙在数十亿年间如何变化。
- 通过分析星系的形状、位置和引力透镜效应，绘制暗物质和暗能量的分布图。
- 提高天文目录的准确性和完整性，纠正过去的错误并填补空白。
例如，近期GALAXY CRUISE项目通过AI和公民科学家合作发现了3万个罕见环状星系，样本规模足以支持有意义的科学分析，并揭示了这些特殊结构如何形成的新线索——它们往往源于螺旋星系碰撞。
技术创新：多模态与像素级分析
天文学AI近期的进展包括多模态深度学习架构。这类架构将图像数据与表格元数据（如亮度、颜色和红移）结合起来，以提高准确率。研究表明，与仅使用一种数据的模型相比，这类模型表现更好，能以更少的训练轮次实现更高的精确率和召回率。一些工具甚至能够逐像素分析图像，例如加州大学圣克鲁兹分校开发的Morpheus AI，从而进行细致的形态分类，并识别星系内部的复杂结构。
随着巡天项目的目标日益宏大，这些创新至关重要。例如，欧几里得任务旨在通过测量引力透镜造成的星系形状细微扭曲，绘制暗物质的三维分布图；如果没有先进的AI和机器学习技术，这项任务将无法完成。
AI在天文学中的局限与挑战
尽管取得这些进展，AI并非万能。模型的准确性在很大程度上取决于训练数据的质量和多样性。在一项巡天数据上训练的模型，应用于不同仪器或天区的数据时，表现可能不尽如人意，尤其是在避空区等复杂环境中。近期研究指出，机器学习模型在被尘埃遮挡或具有异常特征的区域，可能难以分类天体，有时会漏检或错误识别相当一部分天体。
此外，AI模型可能会继承训练数据中的偏差，从而忽略罕见或意料之外的现象。因此，专业知识和公民科学仍不可或缺，既能验证AI结果，也有助于发现真正新颖的现象。
未来方向：更智能、更灵活的AI
云南天文台团队和其他研究人员目前正致力于提升模型处理更暗弱天体的能力，并使其能够适应特征各异的新巡天。这包括使用更多样的数据集进行训练、纳入多波段数据，以及开发能够标记不确定或异常案例并交由人工审核的算法。
随着AI不断发展，它与天文学家——无论专业还是业余——之间的合作，将成为揭开宇宙奥秘的关键。
更广泛的影响：发现的黄金新时代
AI在天文学中的兴起不仅是一项技术成就，也代表着科学研究方式的深刻转变。通过自动完成繁琐的分类工作，AI让天文学家得以专注于结果解读、理论研究和探索未知。它也让发现更加普及，使任何能够接入互联网的人都有机会参与绘制宇宙图谱。
随着欧几里得、詹姆斯·韦布和薇拉·鲁宾天文台等任务即将带来前所未有的数据量，AI、机器学习和公民科学的结合正在开启天文发现的黄金新时代。宇宙浩瀚而神秘，但借助这些新工具，我们探索其深处的能力前所未有地增强。
总结
- 中国开发的AI模型已对2700多万个恒星、星系和类星体完成分类，标志着天文数据分析取得重大进展。
- 该模型同时利用形态和光谱能量分布特征实现高准确率，并通过多项巡天数据验证。
- 处理欧几里得和薇拉·鲁宾天文台等现代巡天产生的海量数据，离不开AI。
- 星系动物园等公民科学项目与AI协同分类复杂或模糊的天体，提高了速度和准确率。
- AI有助于发现罕见天体并纠正过去目录中的错误，但在复杂区域和异常现象的处理上仍面临挑战。
- 宇宙分类的未来，取决于更智能、更灵活的AI模型，以及机器与人类的持续合作。
