天文预测新SOTA！紫东太初&国家天文台联手攻克恒星耀发难题

FLARE团队 投稿
量子位 | 公众号 QbitAI

还记得刘慈欣在《全频带阻塞干扰》中描绘的耀斑爆发吗？

现在科幻照进现实，人类踏出了理解耀斑的重要一步——预测。

来自紫东太初和中国科学院国家天文台的研究团队，联合开发了天文耀发预测大模型FLARE（Forecasting Light-curve-based Astronomical Records via features Ensemble）。

该模型能精准预测恒星耀发事件，为天文学研究提供了全新的有力工具，也展示了AI for Science在天文学领域的巨大潜力。

相关研究论文已成功被人工智能领域国际顶级会议IJCAI 2025录用。

以下是更多详细内容介绍。

恒星耀发从何而来

恒星耀发是恒星大气中磁场能量的快速释放过程，对于理解恒星结构、演化、磁活动以及探索系外宜居行星和外星生命意义重大。

然而，目前通过观测获得的耀发样本数量有限，难以满足全面深入的研究需求。

因此，准确预测恒星耀发时间成为天文学研究的重要任务，但此前这一领域一直缺乏相关研究成果。

与相对容易预测的太阳耀斑不同，恒星耀发预测主要依赖光变曲线。

光变曲线不仅常存在数据缺失问题，而且不同恒星、同一恒星在不同时期的光变曲线变化趋势差异极大，这些复杂因素给预测工作带来诸多挑战。

在此背景下，紫东太初研究团队与国家天文台联合开展研究。

他们发现，恒星的物理属性（如年龄、自转速度、质量等）以及历史耀发记录，与恒星耀发存在显著关联。

基于此，双方合作开发了FLARE模型。

该模型通过独特的软提示模块（Soft Prompt Module）和残差记录融合模块（Residual Record Fusion Module），有效整合了恒星物理属性和历史耀发记录，提升了光变曲线特征提取能力，进而提高了耀发预测的准确性。

FLARE模型架构解析

在模型架构方面，FLARE首先将光变曲线分解为趋势和残差成分，利用移动平均法去除数据缺失的影响，分别对其进行处理，并通过残差记录融合模块将历史耀发记录融入残差中，增强模型的稳健性。

对于恒星物理属性，软提示模块将属性名称和数值组织成文本结构，借鉴P-tuning方法，部分替换词向量为可训练参数，更好地保留了物理属性的意义，有助于区分不同恒星。

此外，研究团队采用预训练大模型，并利用低秩微调LoRA技术对模型进行微调，使其能够同时处理文本和光变曲线数据，最终通过多层感知器预测未来24小时内恒星耀发的概率。

模型性能实验

为验证FLARE模型的性能，研究人员使用7160颗恒星的高精度光变曲线数据进行实验。

他们将FLARE模型与多种基线模型对比，涵盖了基于时间序列表示学习的各类方法，如多层感知器（MLPs）、循环神经网络（RNNs）、卷积神经网络（CNNs）、图神经网络（GNNs）、Transformer，以及基于预训练语言大模型的时间序列分析方法。

实验结果显示，FLARE模型在准确率、F1值、召回率、精度等多项评估指标上表现优异，准确率超过70%，显著优于其他模型。

通过具体实例研究，FLARE模型展现出强大的适应性。

它能够根据不同恒星的光变曲线变化模式，准确预测耀发事件，即使是同一恒星不同变化模式的光变曲线，也能实现精准预测。

未来，随着研究的深入，FLARE模型有望在天文研究中发挥更大作用，助力科学家们探索更多宇宙奥秘。

论文链接：https://arxiv.org/abs/2502.18218