迄今最深邃的极致深空星系图像，清华戴琼海院士团队和蔡峥副教授团队绘出！

转自 清华大学

宇宙中最遥远、最暗弱的天体

蕴藏着理解宇宙起源与演化的关键信息

提升望远镜的观测深度

追寻宇宙黎明时期的微弱星光

是人类追溯万物本源的终极追求之一

日前，中国人工智能学会理事长

清华大学自动化系戴琼海院士团队

和清华大学天文系蔡峥副教授团队

（以下简称：研究团队）

理工融合、交叉研究

提出时空自监督计算成像模型

——星衍 (ASTERIS)

攻克极低信噪比下的高保真光子重构难题

突破天文观测深度极限

将詹姆斯·韦伯空间望远镜

探测深度提升1个星等

找到3倍数量于过往研究的

极暗弱高红移候选天体

绘制出迄今最深邃的极致深空星系图像

AI模型星衍概念图

相关研究成果于北京时间2月20日

以《自监督时空降噪提升天文成像探测极限》

(Deeper detection limits in astronomical imaging using self-supervised spatiotemporal denoising)为题

以长文形式“优先发表”(First Release)

于《科学》杂志（Science）

审稿人称赞其为

“杰出的工作与强大的工具”

“会对天文领域产生重要的影响”

Science网站论文截图

多重瓶颈，制约星际探索

从事件视界望远镜勾勒出人类首张黑洞照片的震撼瞬间，到詹姆斯·韦伯空间望远镜向宇宙深处投下的深邃一瞥；从欧洲极大望远镜ELT蓄势待发，到巡测南天的薇拉·鲁宾天文台开启首光：探索宇宙中最遥远、最暗弱的天体一直是人类的终极追求之一。这些天体蕴藏着理解宇宙起源与演化的关键信息。

为了这一追求，人们不断增大望远镜的镜面尺寸，提升传感器的工艺性能，将最强大的观测仪器发射至遥远的太空。但随着不断增加的投入和不断增长的时间周期，传统物理维度的硬件堆砌模式，已面临边际效应带来的增长瓶颈。

此外，明亮的天光背景噪声（太阳系黄道光散射、银河系漫射光、未分辨的河外背景光）与望远镜自身的热辐射噪声叠加，形成了天文观测领域上空的一朵乌云，遮挡了暗弱的星光。

更为复杂的是，这些噪声在时空上呈现非独立、非均匀的异质性，使得基于独立同分布的传统叠加、堆栈方法，在面对这些极暗弱信号时力有不逮。

星衍增强前后的韦伯空间望远镜近红外观测数据对比

积累+创新，实现科学解码

多年来，研究团队始终聚焦观测天文学的核心物理挑战，从光学像差矫正到大气湍流补偿，不断突破探测极限。通过计算光学原理与人工智能算法的深度耦合，团队实现了对海量观测数据的多维解译。这些技术沉淀最终孕育出星衍方法——它将深空图像重构为时空光交织的三维体，像从一块璞玉中精细雕琢出隐藏的纹路。

星衍方法的核心，在于独特的光度自适应筛选机制。它不再单纯将背景噪声视为随机干扰，而是对噪声的涨落与星体本身的光度进行联合建模。这个机制引导模型专注于对暗弱的信号的提取与重建。

此外，即使信号极其暗弱，信号与噪声在时空分布中的数学期望仍存在显著差异。星衍无需通过复杂的物理建模还原望远镜的真实观测状态，直接利用带有真实噪声的海量真实数据进行训练，即可高保真地还原目标信号。

科学需求引导，构建“AI大脑”

此前，利用AI模型“解码”天文数据的研究并不少见，多沿用计算机视觉领域的通用指标衡量性能。这些指标往往易将模型导向一种误区：数据变得干净平滑，实则磨平了极暗弱信号，甚至改变了天体形态。

研究团队构建了一套基于天文科学的AI评价方法，摒弃单纯的视觉效果提升，以探测能力、形态保真、光度保持等为核心评价指标，将深空观测中的多帧曝光策略内化为模型的数据输入逻辑，从科学需求引导星衍的架构设计。

另一方面，星衍在增加探测深度的同时，还着力确保了探测的准确性。模型首次采用了“分时中位，全时平均”联合优化策略：通过中位数统计，剔除单次曝光中存在的宇宙射线等瞬态干扰；通过加权平均，最大化暗弱信号的信噪比。

天文观测数据不同增强方法对比

（红圈代表准确的星点探测）

这一双重机制显著提升了探测暗弱信号的能力，也同时降低了虚假信号的产生概率，保证了天文数据的科学性。

在詹姆斯·韦伯空间望远镜的观测数据上，星衍展现了惊人的效果：将探测暗弱天体的完备度提升了整整1.0个星等，并将探测的准确度提升了1.6个星等。

“这相当于将望远镜的光子收集效率提升了近一个数量级。从探测深度角度评估，相当于把韦伯空间望远镜的等效口径从6.4米提升到了接近10米量级。”研究人员介绍道，“这一突破为研究极端暗弱天体打开了新的窗口。”

依托这一技术，研究团队在韦伯空间望远镜的深度观测数据中，发现了超过160个宇宙早期的候选高红移星系，数量是先前发现的3倍。

这些星系存在于宇宙大爆炸后仅2至5亿年的“宇宙黎明”时代，它们的发现使人类得以绘制出目前最深邃、暗弱的早期星系光度函数，为理解宇宙第一缕曙光的诞生提供了全新数据。

过往研究（蓝紫星标52个）与星衍（橙色星标162个）发现的高红移候选星系效果对比

星衍的另一大优势在于其强大的泛化能力。作为一种时间-空间-光度多维智能学习方法，它仅基于已有的观测数据进行训练，无需依赖人工标注。这一特性使其能够轻松跨越不同观测平台和探测波段。目前，星衍已成功应用于詹姆斯·韦伯空间望远镜和昴星团地面望远镜，覆盖的波段范围从可见光（约500纳米）延伸到中红外（5微米）。

这标志着它不仅能解码空间望远镜的尖端数据，更可兼容多元探测设备，成为通用的深空数据增强平台，为人类探寻宇宙的巨眼，植入智能的AI大脑。

理工交叉，深度融合

这项突破性成果是清华大学人工智能与天文科学深度交叉融合的结晶。成像与智能技术实验室在智能模型与算法及计算成像领域的深厚积累，与天文系团队对天体物理科学前沿和海量观测数据的深刻理解紧密结合，共同促成了理论与技术创新。

研究团队主要成员合影

依托星衍，空基观测中受噪声干扰的暗弱天体得以实现高保真重现；结合非一致光学像差校正与广域大气湍流补偿等前期研究，地基时域巡天有望实现从硬件堆叠向智能增益的范式转型。计算光学与人工智能的深度融合，将赋予观测能力指数级增长，为天文学家探索“暗物质暗能量与星系起源” 等前沿科学问题提供关键技术支撑。

本研究受国家自然基金委、国家重点研发计划、中国博士后科学基金、新基石科学基金会、清华大学笃实专项、马化腾基金、脑与认知智能北京实验室（北京市教委）等支持。清华大学自动化系戴琼海院士、天文系蔡峥副教授、自动化系吴嘉敏副教授为共同通讯作者，清华大学自动化系博士后郭钰铎、张昊，天文系博士生李明宇为共同第一作者。

论文链接：

https://www.science.org/doi/10.1126/science.ady9404