天文宇宙探秘：AI助力天文现象观测

从古人肉眼观星，到伽利略用望远镜观测银河，天文学的每一次重大进展，往往都离不开观测工具或研究手段的革新。如今，AI正在成为天文学家手中的新工具，它不直接观测天体，而是从海量的天文数据中寻找规律、发现异常，帮助人类探索宇宙。

图1 中国天眼FAST（图片来源：中国科学院国家天文台）

一、FAST：从数据洪流中“淘”出脉冲星

坐落于贵州群山之中的“中国天眼”FAST，持续接收来自宇宙深处的射电信号，单次巡天观测就能产生海量数据，并从中筛选出大量脉冲星候选信号。过去，科学家主要靠人工筛查海量射电观测数据，不仅耗时费力、效率低下，还容易遗漏。人工智能的介入，改变了这一局面。中国科学院国家天文台开发了基于AI的脉冲星巡天加速程序，通过搜索流程优化和深度学习架构设计，将SKA（平方公里阵列射电望远镜）先导望远镜MWA-SMART巡天中时间消耗占比最高的折叠步骤加速60倍。团队提出三阶段筛选流程：首先对去色散后的时间序列快速折叠获取初筛候选体；再用基于脉冲星时域特征的AI模型过滤；最后对少量高可信度候选体进行完整折叠、确认。优化后的AI处理流程在真实观测数据上的识别准确率可达98.3%，多模态模型在FAST数据上的准确率超过98%。

AI还让“打捞”成为可能。科学家利用“中国天眼”FAST的5年存档数据，在NGC 6517和M15两个古老球状星团中，发现了6颗此前被遗漏的极暗弱孤立毫秒脉冲星；中国科学院新疆天文台研究团队及合作者还利用“中国天眼”FAST发现了一颗特殊毫秒脉冲星PSR J0435+3233。这些暗弱信号得以重见天日，刷新了人类对暗弱脉冲星族群的认知。

图2 AI脉冲星筛选流程

二、寻找“第二地球”的AI之眼

AI的力量不止于脉冲星。在寻找系外行星的领域，AI同样大显身手。

天文学家利用基于Transformer架构的新型神经网络，直接处理太空望远镜全帧图像光变曲线，检测系外行星凌星信号，成功识别出214个新的行星候选体，包括来自TESS第1-26扇区的122个多凌星光变曲线、88个单凌星事件、4个多行星系统。瑞士伯尔尼大学和国家行星研究中心的一个研究团队开发的机器学习模型，可以预测包含类地系外行星的行星系统[2]；深度学习模型ExoDNN则从盖亚望远镜数据中预测出7414颗可能拥有未解析伴星的候选恒星。

AI正帮助科学家从海量数据中高效筛选微弱的凌星信号，加速寻找“第二地球”的进程。

图3 行星遮挡星光，形成光变曲线。来源：NASA/ESA。

三、从“被动等待”到“主动预警”

如果说深度学习让天文学家从数据中“淘”出宝藏，那么新一代大模型则让天文观测从“被动等待”走向“主动预警”。

恒星耀发是恒星大气磁场能量的快速释放，对理解恒星结构、演化、磁活动，以及探索系外宜居行星意义重大。但传统观测获得的耀发样本有限。2025年5月，中国科学院自动化研究所携手国家天文台，基于一站式智能科研平台ScienceOne，联合研发天文耀发预测大模型FLARE，该模型在多项评估指标的准确率超过70%。

过去，天文学家只能等耀发发生后再观测；未来，FLARE有望提前预测恒星耀发，从而提前调度望远镜，捕捉稍纵即逝的天文现象。

四、 AI：半个天文教师

AI也在重塑天文教育。一些学校把“大国重器”引入课堂，让学生亲手训练能识别月球陨石坑的深度神经网络；在“探索星空”项目中，教师将AI辅助与虚拟天文观测相结合，帮助学生形成更直观的宇宙认知。

未来，AI或许能扮演“半个天文教师”。它不会取代教师，但能帮助更多非专业教师开展高质量的探究式天文课。学生不再只是被动接受知识，而是像天文学家一样提出问题、设计观测方案、分析数据、得出结论，只不过这一次，AI是他们手中的“望远镜”。

来源：科普中国