ASTERIS 是什么，它是如何工作的？
ASTERIS 是一个自监督人工智能（AI）框架，旨在通过过滤掉掩盖深空最微弱信号的时空噪声来增强天文成像。 该框架由清华大学的张浩、林晓静和李辛阳等研究人员开发，它利用基于 Transformer 的架构来识别并校正多次曝光中相关的噪声模式，而无需预先标记的训练数据。
长期以来，天文学家一直在与深空成像的底噪作斗争，这种噪声往往会掩盖来自早期宇宙的最微弱信号。这种噪声并非仅仅是随机的；它在相邻的图像像素之间以及连续的曝光之间经常存在相关性。传统的去噪技术往往难以保持光度精度或点扩散函数 (PSF)，可能会产生看起来像天体的伪影。通过将图像序列视为 3D 时空卷，ASTERIS 能够学习望远镜本身的底层噪声结构，从而使其能够“看穿”限制当前天文台观测能力的干扰。
ASTERIS 的架构代表了向专业机器智能的重大转变，反映了 AGI 研究中所具有的效率和适应性。通过采用自监督学习方法，该算法不需要“干净”的真值图像来进行学习。相反，它利用天文数据本身的内部一致性来区分物理信号（如遥远的恒星和星系）与传感器的系统噪声。这种能力使其成为处理詹姆斯·韦伯空间望远镜 (JWST) 目前产生的大量未标记数据集的理想工具。
ASTERIS 能多探测到多少遥远星系？
ASTERIS 算法已证明能够将现有詹姆斯·韦伯空间望远镜数据集中可探测到的高红移候选星系数量增加到原来的三倍。 具体而言，当应用于 JWST 深空图像时，该工具在红移 > 9（代表大爆炸后仅几亿年的宇宙）处识别出的候选星系数量是以前的三倍。
这种探测数量的激增之所以成为可能，是因为 ASTERIS 恢复了之前埋没在底噪之下的低面亮度结构。在研究中，研究人员发现，新识别出的星系在其静止系紫外光度上比使用以前处理方法发现的星系暗约 1.0 个星等。这种灵敏度的飞跃有效地推向了“可观测”宇宙的边界，使宇宙学家能够填补宇宙黎明时期的空白。
探测率提高的影响包括：
- 增强样本量： 更大的早期星系群体可以对早期星系形成进行更稳健的统计分析。
- 微弱信号恢复： 探测到早期宇宙中以前不可见的矮星系。
- 提高纯度： 保持 90% 的完整度和纯度，确保“新”星系是真实的物理对象，而非噪声伪影。
探测深度提升 1.0 个星等意味着什么？
在天文学术语中，1.0 个星等的提升意味着望远镜可以探测到比其之前的技术极限暗约 2.5 倍的天体。 由于天文星等标度是对数的，单一阶梯的改进代表了集光效率的巨大飞跃，有效地延伸了望远镜的“触及范围”，而无需增加曝光时间。
ASTERIS 实现的这 1.0 个星等的提升是观测宇宙学的一个变革性指标。通常，达到这样的深度需要大幅增加总观测时间——对于像 JWST 这样竞争激烈的仪器，通常需要双倍或三倍的观测小时数。通过自监督时空去噪实现这一深度，研究人员本质上可以从现有观测中提取“免费”数据，使望远镜的每一秒时间都更具产出。
在此过程中保持光度精度至关重要。如果算法在降低噪声的同时改变了星系的亮度或形状，那么数据对于科学测量将变得毫无用处。对模拟数据的基准测试证实，ASTERIS 保持了点扩散函数的完整性，确保恒星和星系的光度剖面不发生畸变。这种精度正是这种 AI 驱动方法与普通图像平滑滤镜的区别所在，使其成为下一代 AGI 辅助科学仪器的基石工具。
现代天文学中的底噪挑战
深空探索的主要障碍不再仅仅是主镜的大小，而是现代数字传感器固有的相关噪声。这些噪声源——从热涨落到电子干扰——往往会模仿遥远微弱星系的外观。当天文学家试图回溯更久远的早期宇宙时间点时，他们寻找的信号非常微弱，以至于往往无法与这些背景波动区分开来。
传统的成像管线依赖于叠加多次曝光来抵消随机噪声，但这并没有考虑到在时间和空间上相关的噪声。达到更深的星等对于研究第一批恒星和黑洞是如何形成的至关重要。如果没有突破这种底噪的新方法，像斯巴鲁望远镜 (Subaru Telescope) 和 JWST 这样的望远镜最终会达到收益递减的临界点，届时额外的观测时间将不再产生新的发现。
引入 ASTERIS 时空 Transformer
ASTERIS 利用了基于 Transformer 模型的力量，这类模型擅长识别数据中的长程依赖关系。在天文成像的语境下，“依赖关系”是指在传感器的不同部分或观测过程中的不同时间重复出现的噪声模式。通过整合时空信息，该算法建立了一个关于噪声特征的复杂模型，使其能够在扣除噪声的同时，保持天体独特的、非重复的信号完好无损。
这种方法代表了计算光学的一次重大演进。与以往针对特定类型星系训练的 AI 模型不同，ASTERIS 的自监督性质意味着它从当前处理的特定数据集中学习。这种灵活性是先进智能的标志，展示了如何应用 AGI 原则来创建高度专业化的工具，且不受预先存在的训练集偏差的影响。其结果是一个鲁棒、适应性强的系统，可跨不同的望远镜和滤光片组工作。
现实世界验证：从斯巴鲁到 JWST
研究人员使用合成“模拟”数据以及来自顶级地面和空间天文台的真实观测结果验证了 ASTERIS。在斯巴鲁望远镜的数据中，ASTERIS 成功识别出了在原始处理图像中完全不可见的低面亮度星系结构和引力透镜弧。这些特征对于绘制暗物质的分布至关重要，而暗物质为星系提供了引力支架。
当应用于詹姆斯·韦伯空间望远镜深空场图像时，结果甚至更为深刻。该算法识别出了一群红移 > 9 的星系，而以前最先进的管线都遗漏了这些星系。这一验证证明该算法不仅是理论上的改进，而且是一个实用的工具，可以立即应用于当前的档案数据，从而产生新的科学突破。
对宇宙学的未来影响
ASTERIS 将探测极限推进整整一个星等的能力，可能会从根本上改写早期星系形成的Timeline。如果大爆炸后不久宇宙中的微弱星系比之前认为的更多，那么我们的宇宙演化模型将需要进行调整。这种 AI 驱动的去噪方法也可以应用于来自哈勃 (Hubble) 或斯皮策 (Spitzer) 等早期任务的“遗留数据”，可能会在天文学家认为已经完全挖掘竭的数据中揭示新发现。
随着人工智能领域的不断发展，数据收集与数据处理之间的界限正在变得模糊。ASTERIS 的成功预示着一个未来，AI 将不再仅仅是分析中的辅助步骤，而是望远镜视觉系统的核心组成部分。在这个 AGI 增强科学的新时代，我们对宇宙理解的限制因素将不再是我们发射到太空的物理硬件，而是我们用于解读其捕捉到的光线的算法的精密程度。
Comments
No comments yet. Be the first!