牛津大學研發AI工具，助力天文學家高效識別超新星！

每一顆超新星的誕生，都像是一場宇宙級的煙火。但問題是，銀河之外的天空實在太大。望遠鏡每晚拍下成千上萬張圖像，里面充滿了恒星、星系、噪聲、甚至相機的小毛病。天文學家要在這樣的「天文級找不同」中找出一個剛剛爆發的超新星，常常像是大海撈針。

過去的流程更多依賴人工或半自動篩查。隨著巡天計劃數據量的暴漲，這種方法幾乎難以為繼。所以，天文學家把目光投向了 AI。來自牛津大學等的團隊開發了一個基于深度學習的篩選工具，通過篩選數千個數據警報，能識別出由超新星（垂死恒星產生的強大爆炸）引起的少數真實信號，將天文學家的工作量降低 85%。

相關研究成果以「The ATLAS Virtual Research Assistant」為題，于 2025 年 9 月 10 日發布在《The Astrophysical Journal》。

論文鏈接：https://iopscience.iop.org/article/10.3847/1538-4357/adf2a1

海底撈針，但是星海

超新星，宇宙中瞬時爆發的煙火，其本質代表了一顆大質量恒星走向死亡。相比于超新星爆發的絢爛，天文學家會更關注背后，那些能幫助他們了解元素起源的信息。

這些信息在宇宙背景下顯得如此渺小，并且在觀測中通常會摻雜許多雜亂信息，比如宇宙背景音，比如各類電磁波干擾。而超新星爆炸又是如此短暫，想要及時捕捉并消化，就當下的方法還是有些吃力不討好。

而這支團隊所開發的工具，他們稱其為虛擬研究助理（VRA），是一系列模擬人類決策過程的自動化機器人集合，通過根據警報的真實可能性進行排序來識別真實的外星爆炸。與許多需要大量訓練數據和超級計算機的 AI 自動化方法不同，VRA 采用了一種更精簡的方法。

圖 1：ATLAS 中 2024 年 3 月 27 日至 2024 年 8 月 13 日期間的警報類型分布。

它所做的，是將捕捉到的信號按照「可能性」進行排列，在第一年的使用中，VRA 成功過濾了超過 30,000 個警報，而漏掉的真實超新星警報不到 0.08%。這直接減少了原本 85% 的工作量，同時保留了超過 99.9%的真正超新星候選者。

這個可能性與各類評估有關，包括一個真實宇宙的得分空間，坐標距離的衡量與垃圾信息處理等。這些策略把候選對象的篩選速度提升了一個數量級，意味著天文學家能夠更快把望遠鏡指向目標，捕捉到超新星爆發的最早階段——這是理解其物理機制的黃金時刻。

訓練AI看懂星空

研究員表示，VRA 所需數據非常少，僅僅需要 15,000 個示例和筆記本電腦的計算能力，就能訓練智能算法來完成繁重的工作，并自動化原本需要人類每天花費數小時完成的工作。

VRA 經歷了多輪原型設計，數據被劃分為子數據集，均來自歷史巡天數據，涵蓋了數十萬例已標注的事件。模型特別優化了對不平衡數據的處理，因為真實超新星遠比噪聲少得多。

最終模型能在保持高準確率的同時，把假陽性率壓到 1% 左右，極大節省了人工復核工作量。

圖 2： 第 1 天模型驗證數據集的得分空間和召回率。

不過，團隊注意到，如紅移這種特征也會導致低分表現，盡管它在天文學角度看來確實是一種有價值的量。這就是為什么需要在修剪特征前，必須要確認忽略這些量是否影響最終結果。

為了確保計算機服務器的負載，提供最高優先級的瞬態快速處理，摘取的信息必須滿足一定的質量標準。因此，當 VRA 在流中運行時，大多數情況下的特定條件光度測量并不可用，這一點團隊提出了特別強調。

宇宙之眼 AI 版

超新星不僅是壯觀的天文現象，它們還是轉瞬即逝的生命綻放：大量元素的合成，研究暗物質，乃至衡量宇宙尺度的標尺。在 AI 眼中，這些信息將變得更加清晰，每一個可能的機會都將被它牢牢把握。

團隊的成功表明，目前天文領域還未充分發揮 AI 的潛力，他們認為在未經測試的情況下就輕易放棄 AI 方法并不明智。作為未來 Vera Rubin 天文臺的靈魂，每晚超過千萬條警報的信息量對其仍不算困難。

相關鏈接：https://phys.org/news/2025-09-ai-tool-astronomers-supernovae-sky.html