### AI赋能天文学：Matteo Paz的变星发现之旅 #### **背景与挑战** 天文学研究中，变星（亮度随时间变化的天体）是理解宇宙演化的重要线索。然而，传统方法在处理NEOWISE项目积累的**近2000亿行数据**时面临效率瓶颈： - **数据规模**：单次观测覆盖数百万天体，需分析时间序列的亮度变化。 - **周期性信号检测**：传统算法在大规模数据中处理速度慢，难以实时应用。 - **变星分类**：需区分静态源（如恒星）、瞬变源（如超新星）、双星系统等复杂类型。 #### **创新方法：VARnet模型** Matteo Paz与导师Kirkpatrick合作，设计了**VARnet**深度学习模型，通过以下步骤实现高效分析： 1. **数据预处理** - 基于密度聚类算法，对单次曝光源目录进行空间聚类，提升数据质量。 - 采用数据变换技术，消除噪声干扰，提取关键特征。 2. **模型架构** - **卷积神经网络（CNN）**：通过三个卷积层压缩信号，提取高维特征。 - **傅里叶变换改进**：创新性地优化离散傅里叶变换（DFT），快速检测周期性信号。 - **小波分解**：降低异常数据对分析结果的影响，增强模型鲁棒性。 3. **训练与验证** - **合成数据生成**：为每类变星设计精准的光变曲线生成器，提供无限训练样本。 - **性能指标**：在四类变星识别任务中取得**0.91的F1分数**，准确率远超传统方法。 - **运行速度**：单个GPU（22GB显存）处理2000个数据点的光变曲线仅需**53微秒/天体**。 #### **突破性成果** - **150万变星候选体**：从NEOWISE数据中识别出约150万个潜在变星，分类为10种类型。 - **新天体发现**： - **超新星候选体**：在LEDA 358365星系中发现快速变亮事件，与AT 2023lkp观测记录匹配。 - **未知天体**：在J2000赤经/赤纬1.53483°, −59.08751°处发现无文献记录的变星候选体。 - **经典变星验证**：高置信度（>0.99）识别食变星V* V1403 Ori和双星系统CRTS J054306.5−024247。 #### **技术意义与未来展望** - **方法创新**：VARnet的提出为处理大规模天文数据提供了新范式，将周期性信号检测效率提升至实用水平。 - **数据价值**：NEOWISE项目生成的**VarWISE目录**（含190万变星）已用于研究双星系统，推动天体演化理论发展。 - **AI应用前景**：未来可扩展至其他天文巡天项目（如LSST），加速宇宙暗物质、暗能量等研究。 #### **结语** Matteo Paz的案例展示了AI在天文学中的革命性潜力。通过VARnet模型，人类首次系统性地挖掘NEOWISE数据中的变星信息，为理解宇宙动态演化提供了前所未有的工具。这一突破不仅验证了机器学习在科学发现中的价值，也预示着AI与天文学深度融合的新时代。