牛津大学研发AI工具，助力天文学家高效识别超新星！

每一颗超新星的诞生，都像是一场宇宙级的烟火。但问题是，银河之外的天空实在太大。望远镜每晚拍下成千上万张图像，里面充满了恒星、星系、噪声、甚至相机的小毛病。天文学家要在这样的「天文级找不同」中找出一个刚刚爆发的超新星，常常像是大海捞针。

过去的流程更多依赖人工或半自动筛查。随着巡天计划数据量的暴涨，这种方法几乎难以为继。所以，天文学家把目光投向了 AI。来自牛津大学等的团队开发了一个基于深度学习的筛选工具，通过筛选数千个数据警报，能识别出由超新星（垂死恒星产生的强大爆炸）引起的少数真实信号，将天文学家的工作量降低 85%。

相关研究成果以「The ATLAS Virtual Research Assistant」为题，于 2025 年 9 月 10 日发布在《The Astrophysical Journal》。

论文链接：https://iopscience.iop.org/article/10.3847/1538-4357/adf2a1

海底捞针，但是星海

超新星，宇宙中瞬时爆发的烟火，其本质代表了一颗大质量恒星走向死亡。相比于超新星爆发的绚烂，天文学家会更关注背后，那些能帮助他们了解元素起源的信息。

这些信息在宇宙背景下显得如此渺小，并且在观测中通常会掺杂许多杂乱信息，比如宇宙背景音，比如各类电磁波干扰。而超新星爆炸又是如此短暂，想要及时捕捉并消化，就当下的方法还是有些吃力不讨好。

而这支团队所开发的工具，他们称其为虚拟研究助理（VRA），是一系列模拟人类决策过程的自动化机器人集合，通过根据警报的真实可能性进行排序来识别真实的外星爆炸。与许多需要大量训练数据和超级计算机的 AI 自动化方法不同，VRA 采用了一种更精简的方法。

图 1：ATLAS 中 2024 年 3 月 27 日至 2024 年 8 月 13 日期间的警报类型分布。

它所做的，是将捕捉到的信号按照「可能性」进行排列，在第一年的使用中，VRA 成功过滤了超过 30,000 个警报，而漏掉的真实超新星警报不到 0.08%。这直接减少了原本 85% 的工作量，同时保留了超过 99.9%的真正超新星候选者。

这个可能性与各类评估有关，包括一个真实宇宙的得分空间，坐标距离的衡量与垃圾信息处理等。这些策略把候选对象的筛选速度提升了一个数量级，意味着天文学家能够更快把望远镜指向目标，捕捉到超新星爆发的最早阶段——这是理解其物理机制的黄金时刻。

训练AI看懂星空

研究员表示，VRA 所需数据非常少，仅仅需要 15,000 个示例和笔记本电脑的计算能力，就能训练智能算法来完成繁重的工作，并自动化原本需要人类每天花费数小时完成的工作。

VRA 经历了多轮原型设计，数据被划分为子数据集，均来自历史巡天数据，涵盖了数十万例已标注的事件。模型特别优化了对不平衡数据的处理，因为真实超新星远比噪声少得多。

最终模型能在保持高准确率的同时，把假阳性率压到 1% 左右，极大节省了人工复核工作量。

图 2： 第 1 天模型验证数据集的得分空间和召回率。

不过，团队注意到，如红移这种特征也会导致低分表现，尽管它在天文学角度看来确实是一种有价值的量。这就是为什么需要在修剪特征前，必须要确认忽略这些量是否影响最终结果。

为了确保计算机服务器的负载，提供最高优先级的瞬态快速处理，摘取的信息必须满足一定的质量标准。因此，当 VRA 在流中运行时，大多数情况下的特定条件光度测量并不可用，这一点团队提出了特别强调。

宇宙之眼 AI 版

超新星不仅是壮观的天文现象，它们还是转瞬即逝的生命绽放：大量元素的合成，研究暗物质，乃至衡量宇宙尺度的标尺。在 AI 眼中，这些信息将变得更加清晰，每一个可能的机会都将被它牢牢把握。

团队的成功表明，目前天文领域还未充分发挥 AI 的潜力，他们认为在未经测试的情况下就轻易放弃 AI 方法并不明智。作为未来 Vera Rubin 天文台的灵魂，每晚超过千万条警报的信息量对其仍不算困难。

相关链接：https://phys.org/news/2025-09-ai-tool-astronomers-supernovae-sky.html