清华大学自动化系成像与智能技术实验室戴琼海院士团队与天文系蔡峥副教授团队通过多学科交叉研究，提出AI天文观测增强模型“星衍”(ASTERIS)，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，找到的极暗弱高红移候选天体是过往研究的3倍，绘制出迄今最深邃的极致深空星系图像。相关研究成果日前以长文形式发表于国际期刊《科学》。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”。

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，这些噪声让传统方法在面对极暗弱信号时力有不逮。

多年来，团队始终聚焦观测天文学的核心物理挑战，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”——它将深空图像重构为时空光交织的三维体，像在一块璞玉中精细雕琢出隐藏的纹路。

“‘星衍’的核心，在于独特的光度自适应筛选机制。”团队成员介绍，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信号的提取与重建”。

此外，即使信号极其暗弱，“星衍”也能直接利用带有真实噪声的海量真实数据进行训练，可高保真地还原目标信号。

团队成员介绍，利用AI模型“解码”天文数据的过往研究并不少，却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。

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，以科学需求引导“星衍”的架构设计。

“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。“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。”团队成员说。

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。

“星等”是天文学家为天体亮度划分的等级，数值越大，天体越暗。“这相当于将望远镜的光子收集效率提升了近一个数量级。”团队成员介绍，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，研究团队在詹姆斯·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。

据介绍，“星衍”还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AI大脑。（记者邓晖）