AI - 另一种理解星系的方式?

认识一个人，通常会先记住他的长相，再通过交谈了解工作、性格和经历。如果想知道身体状况，可能还需要一份体检报告。这些信息描述的是同一个人，却各自回答不同的问题。仅凭一张照片，很难知道一个人的全部情况。

认识一个星系也有些相似。天文学家能拍摄到它的外表，但还想知道：里面的恒星是年轻的多，还是年老的多？还有多少气体可以形成新的恒星？是什么经历塑造出今天的它？星系无法讲述自己的故事，只能从它发来的光中寻找线索。

不同的观测手段各有所长。可见光图像展示恒星分布的轮廓；紫外光让年轻恒星更加醒目；红外光揭示尘埃和一些被遮蔽的恒星形成活动；毫米波中的分子辐射，则帮助我们寻找孕育恒星的冷气体。将星系的光按波长展开，就能得到一份类似“体检报告”的光谱，帮助我们分析物质成分、估计距离、测量运动。把这些线索结合起来，才能逐渐了解这个星系在光发出时的状态。

图1 了解M99星系的不同线索

但了解一个星系，还不足以认识星系演化的普遍规律。需要比较大量星系，看看它们在不同环境、不同时期有何差异。例如，在星系密集的地方，缺少年轻恒星的星系通常占更高比例，提示周围环境可能影响星系的成长。要了解星系随时间的变化，科研人员虽然无法等待数十亿年，看着它们慢慢改变，却可以利用光传播需要时间这一点：遥远星系展现的正是很久以前的样子。望向不同距离，就像翻看来自不同时代的照片。照片里虽然不是同一批星系，仍可以通过比较，研究星系群体如何随时间变化。

看得多了，也更有机会遇到不同寻常的星系。弄清它们为何与众不同，或许能为理解星系演化提供新的线索。可是，无论是这种特别的对象，还是常见的星系，受限于望远镜的观测时间，往往只有部分资料。线索还不完整，能否从已有观测中多了解一些？下面，以星系图像为例，看看AI怎样利用线索之间的联系作出预测，以及这些预测怎样才能用于科学研究。

想象一片海面上漂浮着许多冰山。高大的冰山容易认出，小小的冰尖却混在起伏的浪头之间。暗弱天体也有类似的处境：它们发出的光已经被记录下来，却淹没在照片的噪声中。AI能否帮助我们辨认这些线索？

一张星系照片里，相邻位置并非毫无联系。一条旋臂延伸经过许多像素，周围结构的走向和亮度分布，能帮助估计某个看不清的位置原本有多亮。AI可以从大量图像片段中学习这类联系.一些AI降噪方法便暂时遮住部分像素，让AI根据周围信息预测这些位置的亮度，再与它们原本的观测值比较，用差异来调整AI。反复练习时，天体结构的联系能帮助预测，独立的随机噪声却难以猜中。在适当的噪声条件下，AI因此能学会减轻噪声的影响[1]。

多次拍摄还能提供额外的线索。就像多看几次海面，浪头换了，冰尖却仍在相近的位置；同一片天空的照片中，稳定的天体信号反复出现，随机噪声却会变化。天文学家通常将这些照片对齐后叠加，让随机的明暗起伏相互抵消一部分，使暗弱天体更容易显现。基于AI的星衍（ASTERIS）进一步利用这些重复观测：把多次曝光分成两组，根据一组作出预测，以另一组作为训练参照，让AI通过反复练习提取共同的天体信号。在研究测试中，它比传统叠加方法检出了更多暗弱天体[2]。

图2 重复观测中的信号与噪声。冰山代表稳定的天体信号，海浪代表变化的随机噪声。三次观测中，冰山的位置和形状保持不变，浪头却各不相同。利用多次观测中的共同特征，有助于辨认混在噪声中的暗弱信号。本图为概念示意，水下轮廓仅用于说明。

这些联系还可以扩展到不同望远镜之间。地面拍摄的星系图像受到大气扰动，往往比较模糊，空间望远镜则可能看见更精细的结构。AI能否学习两者的对应关系，根据地面照片预测从太空中会看到什么？

Schawinski等人2017年的研究[3]从一个简化实验入手：把星系图像人为模糊、加入噪声，让AI练习预测原图。研究者也可以利用同一天体真实的地面与空间照片，让AI学习两者之间的联系，再为尚无空间观测的星系生成预测[4]。

当细小结构接近或小于现有观测能够分辨的尺度时，不同的真实模样可能在照片里看起来十分相似。AI可以借助学到的经验预测这些细节，但图像变清晰，并不意味着预测一定正确。这些细节是否可靠，能否用于科学测量，还需要独立的、更精细的真实观测来检验。

预测图像变得清晰、逼真，还不等于能用于科学研究。如果AI总把某类星系预测得偏小，就可能误以为这类星系本来更紧凑，进而错误地解释它们的成长经历。这样的偏差如果没有被识别和处理，样本再多，也可能只是让人更确信一个错误的结论。

因此，检验不仅要看图像像不像，还要看用预测图像测出的物理参数是否可靠，以及误差会不会改变科学结论。这需要拿出训练和调整AI时都未使用过的真实观测，与预测比较，同时考虑观测本身的误差。一种预测也许适合测量星系的整体大小，却不足以研究内部的细小亮斑；检验就是为了弄清它能用来回答哪些科学问题。

为大量星系专门安排验证观测，成本很高。而天文巡天项目分批公开数据，提供了一个机会：先根据已有资料作出预测，将结果公开并固定下来，等后续观测发布后再核对。研究团队的E-BGS工作便采用了这个思路。研究利用已有的DESI与Euclid配对观测训练AI，并在独立测试样本上进行检验；随后，为Euclid DR1预计覆盖天区内的另一批星系提前生成VIS波段预测图像，作为E-BGS数据集公开[4]，供后续真实观测进一步检验。

图3 E-BGS数据集示例。每组左图为DESI地面观测的三波段合成图，右图为AI生成的Euclid VIS波段预测图像。这些星系尚无公开的Euclid实测图像，预测中的结构有待检验。

经过这样的检验，AI学到的联系还可能帮助安排下一步观测。如果某类星系的真实观测总与预测不符，可以进一步追查：是AI见过的例子太少、仪器造成了偏差，还是这些星系确实经历了不同的物理过程？如果已有线索支持几种不同解释，也可以进一步研究，增加哪种观测最有助于区分这些解释，把有限的望远镜时间用在最需要补充证据的地方。

AI串联观测线索的价值，最终要体现在它能否帮助我们回答科学问题，或提出值得观测检验的新问题。E-BGS希望通过提前公开预测、等待真实观测核对，为判断这种能力提供依据：究竟能从已有星光中多了解多少，又该向宇宙寻找哪些新的线索？