清華大學自動化系成像與智能技術實驗室戴瓊海院士團隊與天文系蔡崢副教授團隊通過多學科交叉研究，提出AI天文觀測增強模型“星衍”(ASTERIS)，突破天文觀測深度極限，將詹姆斯·韋伯空間望遠鏡探測深度提升1個星等，找到的極暗弱高紅移候選天體是過往研究的3倍，繪制出迄今最深邃的極致深空星系圖像。相關研究成果日前以長文形式發表於國際期刊《科學》。審稿人稱贊其為：“杰出的工作與強大的工具”“會對天文領域產生重要的影響”。

探索宇宙中最遙遠、最暗弱的天體一直是人類的終極追求之一。這些天體蘊藏著理解宇宙起源與演化的關鍵信息。為了這一追求，人們不斷增大望遠鏡的鏡面尺寸，提升傳感器的工藝性能，將最強大的觀測儀器發射至遙遠的太空。但隨著不斷增加的投入和不斷增長的時間周期，傳統物理維度的硬件堆砌模式，已面臨邊際效應帶來的增長瓶頸。

此外，明亮的天光背景噪聲（太陽系黃道光散射、銀河系漫射光、未分辨的河外背景光）與望遠鏡自身的熱輻射噪聲疊加，形成了天文觀測領域上空的一朵“烏雲”，遮擋了暗弱的星光。更為復雜的是，這些噪聲讓傳統方法在面對極暗弱信號時力有不逮。

多年來，團隊始終聚焦觀測天文學的核心物理挑戰，不斷突破探測極限。通過計算光學原理與人工智能算法的深度耦合，團隊實現了對海量觀測數據的多維解譯。這些技術沉澱最終孕育出“星衍”——它將深空圖像重構為時空光交織的三維體，像在一塊璞玉中精細雕琢出隱藏的紋路。

“‘星衍’的核心，在於獨特的光度自適應篩選機制。”團隊成員介紹，它不再單純將背景噪聲視為隨機干擾，而是對噪聲的漲落與星體本身的光度進行聯合建模，“這個機制引導模型專注於對暗弱信號的提取與重建”。

此外，即使信號極其暗弱，“星衍”也能直接利用帶有真實噪聲的海量真實數據進行訓練，可高保真地還原目標信號。

團隊成員介紹，利用AI模型“解碼”天文數據的過往研究並不少，卻多沿用計算機視覺領域的通用指標衡量性能。這些指標往往易將模型導向一種誤區：數據變得干淨平滑，實則磨平了極暗弱信號，甚至改變了天體形態。

團隊構建了一套基於天文科學的AI評價方法，摒棄單純的視覺效果提升，以探測能力、形態保真、光度保持等為核心評價指標，以科學需求引導“星衍”的架構設計。

“星衍”在增加探測深度的同時，還著力確保了探測的准確性。模型首次採用了“分時中位，全時平均”聯合優化策略。“這一雙重機制顯著提升了探測暗弱信號的能力，也同時降低了虛假信號的產生概率，保証了天文數據的科學性。”團隊成員說。

在詹姆斯·韋伯空間望遠鏡的觀測數據上，“星衍”展現了驚人的效果：將探測暗弱天體的完備度提升了整整1.0個星等，並將探測的准確度提升了1.6個星等。

“星等”是天文學家為天體亮度劃分的等級，數值越大，天體越暗。“這相當於將望遠鏡的光子收集效率提升了近一個數量級。”團隊成員介紹，這一突破為研究極端暗弱天體打開了新的窗口。

依托這一技術，研究團隊在詹姆斯·韋伯空間望遠鏡的深度觀測數據中，發現了超過160個宇宙早期的候選高紅移星系，數量是先前發現的3倍。這些星系存在於宇宙大爆炸后僅2至5億年的“宇宙黎明”時代，它們的發現使人類得以繪制出目前最深邃、暗弱的早期星系光度函數，為理解宇宙第一縷曙光的誕生提供了全新數據。

據介紹，“星衍”還能夠輕鬆跨越不同觀測平台和探測波段。目前，“星衍”已成功應用於詹姆斯·韋伯空間望遠鏡和昴星團地面望遠鏡，覆蓋的波段范圍從可見光（約500納米）延伸到中紅外（5微米）。這標志著它不僅能解碼空間望遠鏡的尖端數據，更可兼容多元探測設備，成為通用的深空數據增強平台，為人類探尋宇宙的“巨眼”植入AI大腦。（記者鄧暉）