AI 為宇宙測繪開啟新時代
數百年來，天文學家仰望夜空，試圖解開恆星、星系與連結它們的廣大宇宙網絡之謎。如今，宇宙的龐大規模帶來了新的挑戰：當傳統方法幾乎跟不上進度時，我們要如何分類並理解數十億個天體？中國雲南天文台的科學家團隊取得突破，開發出一種人工智慧（AI）模型，已在廣闊的天區中分類超過 2,700 萬個宇宙天體，包括恆星、星系與類星體。這項成果為天文學寫下重要里程碑，有望徹底改變我們探索與理解宇宙的方式。
目錄
宇宙分類為何如此困難
現代天文學正面臨資料爆炸。先進望遠鏡與天空巡天計畫，例如史隆數位巡天（SDSS）、千度巡天（KiDS），以及歐洲太空總署的 Euclid 任務，正拍攝數十億個天體的影像並測量其數據。每項新巡天都會增加數 TB 的資料，揭示數十億光年外的星系、超新星，以及宇宙網絡的複雜結構。
傳統上，天文學家仰賴光譜學，分析天體發出的光，以判斷其組成、距離與類型。光譜學精確，但速度慢且耗費大量資源。如今可取得的資料量如此龐大，人類單靠人工或半自動化方法根本無法應付。因此，天文學家愈來愈常採用測光巡天，在不同顏色（波長）下拍攝影像，但這類資料缺乏光譜所提供的詳細資訊。測光資料雖然取得較快，卻可能難以判讀：遙遠的星系、恆星與類星體往往看起來只是微小明亮的光點，單靠形狀很難區分。
人類與傳統機器分類的限制
自動化分類的嘗試包括傳統機器學習演算法，例如決策樹與隨機森林，以及近年發展的深度學習神經網路。這些方法已展現出令人印象深刻的準確度，但仍面臨挑戰，尤其是對於暗淡或遙遠的天體，以及被宇宙塵埃遮蔽的區域。智利拉塞雷納大學的一項研究指出，機器學習模型在「避讓帶」等困難區域可能難以發揮，該處的塵埃遮擋大部分可見光；若模型未以多樣化的多波長資料訓練，錯誤率就會偏高。
中國 AI 模型如何運作
雲南天文台團隊開發的新 AI 模型是一項重大進展。不同於先前只依賴天體外觀（形態）或顏色（光譜能量分布，簡稱 SED）的方法，這個神經網路能同時處理這兩類資訊。這種雙重輸入設計讓 AI 得以辨識恆星、星系與類星體之間細微的差異，避免遺漏原本可能難以察覺的特徵。
模型以 SDSS 第 17 次資料發布中經光譜確認的天體為訓練資料，這是天文分類的黃金標準。接著，研究團隊使用 KiDS 巡天的影像進行測試，鎖定亮度高於 r = 23 等的天體，涵蓋約 1,350 平方度天區。結果是：模型以驚人的速度與準確度分類了超過 2,700 萬個天體。
跨多項巡天驗證準確度
為確認模型的可靠性，團隊使用其他大型巡天資料進行驗證。將模型套用於 Gaia 任務的 340 萬個天體（主要是運動資訊已廣為人知的恆星）時，AI 正確辨識出其中 99.7% 為恆星。在星系與質量組裝巡天（GAMA）中也取得相近成果，99.7% 的星系與類星體都獲得正確分類。有些情況下，AI 甚至修正了過去的錯誤，重新分類舊星表中標示錯誤的天體。
如此高的準確度展現了模型的穩健性，也顯示它有望改善現有天文資料庫，成為天文學界的實用工具。
AI 與全球宇宙測繪競賽
中國的這項突破是更廣泛趨勢的一環：全球天文學家正競相開發 AI 工具，以處理新一代望遠鏡帶來的大量資料。以歐洲太空總署的 Euclid 任務為例，它在規劃巡天區域的一小部分內，就已繪製出 2,600 萬個星系的圖譜。未來六年，Euclid 將拍攝超過 15 億個星系，每天傳回約 100 GB 的資料。同樣地，即將啟用的薇拉・魯賓天文台預計將發現數百萬個新超新星與其他暫現天體；Bright Transient Survey Bot（BTSbot）等 AI 工具，已開始自動化茲威基暫現天體巡天中的超新星發現與分類流程。
公民科學與 AI：強強聯手
面對如此艱鉅的任務，天文學家也邀請大眾參與。Galaxy Zoo與新推出的「Galaxy Zoo: Euclid」等計畫，邀請世界各地的志工協助分類星系形狀。這些公民科學家與 AI 演算法（例如 ZooBot）合作，由 AI 處理較簡單的案例，並將較複雜的影像交由人類判讀。這種合作不僅加快分類速度，也有助於訓練並改善 AI，形成推動發現的良性循環。
NASA 詹姆斯・韋伯太空望遠鏡與 Euclid 任務都採用這種混合模式，由數千名志工與先進 AI 攜手合作，建立迄今規模最大、最詳盡的星系形態目錄。
AI 如何改變天文學
AI 對天文學的影響遠不止於提升速度。藉由快速且準確地分類大量天體，AI 讓科學家得以：
- 發現罕見或特殊天體，例如環狀星系或遙遠的類星體，避免它們被忽略。
- 追蹤星系在宇宙時間中的結構與演化，深入了解宇宙在數十億年間如何改變。
- 分析星系形狀與位置，以及重力透鏡效應，繪製暗物質與暗能量的分布。
- 提升天文星表的準確度與完整性，修正過去的錯誤並補足資料缺漏。
例如，GALAXY CRUISE 計畫結合 AI 與公民科學家，近期發現了 3 萬個罕見環狀星系。這個足夠龐大的樣本可供深入科學分析，並揭示這些特殊結構如何形成的新線索：它們往往是由螺旋星系碰撞所形成。
技術創新：多模態與像素層級分析
天文 AI 的近期進展包括多模態深度學習架構，將影像資料與表格形式的中繼資料（例如亮度、顏色與紅移）結合，以提升準確度。研究顯示，這類模型的表現優於只使用單一資料類型的模型，訓練週期較少，精確率與召回率也更高。有些工具，例如加州大學聖塔克魯茲分校開發的 Morpheus AI，甚至能逐一分析影像中的像素，進行詳細的形態分類，並辨識星系內的複雜結構。
隨著巡天計畫愈來愈宏大，這些創新也愈發重要。以 Euclid 任務為例，它旨在藉由測量重力透鏡造成的星系形狀細微扭曲，繪製暗物質的三維分布；若沒有先進 AI 與機器學習技術，這項工作將無法完成。
AI 在天文學中的限制與挑戰
儘管有所進展，AI 並非萬靈丹。模型準確度高度取決於訓練資料的品質與多樣性。以單一巡天資料訓練的模型，面對來自不同儀器或天區的資料時，表現可能不如預期，尤其是在避讓帶等條件嚴峻的環境。近期研究指出，機器學習模型在塵埃遮蔽或具有特殊性質的區域，可能難以分類天體，有時無法偵測或正確辨識相當比例的天體。
此外，AI 模型也可能承襲訓練資料中的偏差，因而忽略罕見或意料之外的現象。因此，人類的專業判斷與公民科學仍不可或缺，無論是驗證 AI 的結果，還是發現真正新穎的現象，都有其重要性。
未來方向：更聰明、更具適應力的 AI
雲南天文台團隊及其他研究團隊目前正致力提升模型處理更暗淡天體的能力，並讓模型能適應特性不同的新巡天資料。這包括使用更多元的資料集進行訓練、納入多波長資料，以及開發能標示不確定或特殊案例、交由人類複核的演算法。
隨著 AI 持續演進，它與天文學家（無論是專業人士或業餘愛好者）的合作，將是揭開宇宙奧秘的關鍵。
更廣泛的影響：探索發現的全新黃金時代
AI 在天文學中的興起不只是技術成就，也代表科學研究方式的深刻轉變。AI 將繁瑣的分類工作自動化，讓天文學家能專注於詮釋、理論研究與探索未知。它也讓探索更加普及，任何能連上網路的人都能參與宇宙測繪。
Euclid、詹姆斯・韋伯太空望遠鏡與薇拉・魯賓天文台等任務即將帶來前所未有的大量資料，AI、機器學習與公民科學的結合，正為天文探索揭開全新的黃金時代。宇宙浩瀚而神秘，但有了這些新工具，我們已比以往更有能力探索其深處。
摘要
- 中國 AI 模型已分類超過 2,700 萬個恆星、星系與類星體，為天文資料分析帶來重大進展。
- 模型結合形態與光譜能量分布特徵，達到高準確度，並已透過多項巡天資料驗證。
- AI 對處理 Euclid 與薇拉・魯賓天文台等現代天空巡天計畫產生的大量資料至關重要。
- Galaxy Zoo 等公民科學計畫與 AI 攜手分類複雜或難以判讀的天體，同時提升速度與準確度。
- AI 有助發現罕見天體並修正星表中的舊有錯誤，但在條件嚴峻的區域及面對特殊現象時仍有挑戰。
- 宇宙分類的未來，取決於更聰明、更具適應力的 AI 模型，以及人類與機器持續合作。
