2月21日，IT之家新闻发布消息称，清华大学自动化学院戴琼海院士领导的团队和清华大学天文学院蔡正副教授领导的团队（以下简称“研究团队”）近期提出了一种时空自监督计算成像模型“ASTERIS”，以克服信噪比极低的高保真光子重建问题。我们突破了天文观测深度的限制，将詹姆斯·韦伯太空望远镜的探测深度增加了一个星等，并发现了第三个星等。这是过去研究的极其微弱、高红移候选天体数量的几倍，创造了迄今为止最深的超深星系图像。相关研究成果以较长论文的形式发表在北京时间2月20日的《Science》杂志上，论文题目为《Deeper detector limits in astronomical images using self-supervise》d 时空去噪。”批评者称赞它是“一项杰出的研究和一个强大的工具”，“将对天文学领域产生重大影响。”IT House 通过官方新闻稿了解到，之前使用 AI 模型“解码”天文数据的研究并不罕见，而且大多数都使用计算机视觉领域的通用指标来衡量性能。这些指标往往会对模型产生误导。数据会干净、平滑，但实际上会出现非常微弱的信号。研究团队构建了一系列基于天文学的AI评估方法，放弃了视觉效果的简单增强，以脚趾检测能力、形态保真度、光度维持等为核心评估指标，将深空观测中的多帧曝光策略融入到模型的数据输入逻辑中，并根据科学需求指导星雁的建筑设计。同时，星研在保证检测精度的同时，努力增加检测深度。该模型首次采用“共享时间中值、全时中值”联合优化策略。使用中值统计数据，可以消除单次曝光中存在的瞬态干扰，例如宇宙射线。加权平均可以最大化弱信号的信噪比。这种双重机制大大提高了检测微弱信号的能力，同时减少了错误信号的可能性，保证了天文数据的科学性。关于詹姆斯·韦伯太空望远镜的观测数据，恒星演化显示出令人惊讶的结果。微弱物体检测的完整性提高了1.0量级，检测精度提高了1.6量级。利用这项技术，研究小组在韦伯太空望远镜的深度观测数据中发现了超过 160 个来自早期宇宙的高红移星系候选者。这是是之前发现的数量的三倍。这些星系存在于“宇宙黎明”时期，即大爆炸后 200 至 5 亿年。为了让人类地图能够更深入地了解银河系原始的发光功能，我们将进一步了解宇宙中最初的光芒。根据。 Xingyan的另一大优势是其强大的泛化能力。作为一种时空光度测量的多维智能学习方法，它不依赖于人工标注，仅基于现有观测数据进行训练。该功能可以让您轻松覆盖不同的观察平台和检测波段。目前，恒星辐射器用于詹姆斯·韦伯太空望远镜和昴宿星团地面望远镜，成功覆盖了从可见光（约500纳米）到中红外光（5微米）的波长范围。这意味着它不仅可以解码太空望远镜的前沿数据，还支持多种探测器，成为通用的深空数据扩展平台，为人类提供探索宇宙的巨眼，并接收AI智能大脑植入。 Link to the attached IT House article: https://www.science.org/doi/10.1126/science.ady9404
特别提示：以上内容（包括图片、视频，如有）由自有媒体平台“网易账号”用户上传发布。本平台仅提供信息存储服务。
注：以上内容（包括图片和视频，如有）由网易号用户上传发布，网易号是一个仅提供信息存储服务的社交媒体平台。
