清华AI模型「星衍」登上《科学》：将韦布望远镜探测深度提升一个星等

清华AI模型「星衍」登上《科学》：用算法打破天文观测极限

2026年2月20日，一篇来自中国的天文学研究以「优先发表」形式登上了世界最顶级科学期刊**《科学》**（Science）。这项研究并非来自传统天文台，而是出自清华大学自动化系与天文系的**理工交叉融合**团队——他们用一个AI模型，让世界上最昂贵的太空望远镜「看得更深、看得更清」。

这个模型，名叫**「星衍」**（ASTERIS，Astronomical Synthetic Telescope Enhancing Resolution and Imaging Sensitivity）。

---

天文观测的硬件瓶颈：哈勃之后，韦布也在挣扎

詹姆斯·韦布空间望远镜（JWST）是人类迄今建造的最强大太空望远镜，耗资约100亿美元，主镜口径6.5米，由18块六边形铍合金镜片拼接而成。自2022年投入科学观测以来，它已经拍摄到宇宙诞生后3亿年内的早期星系，刷新了人类对宇宙早期历史的认知。

然而，即使是韦布望远镜，也面临一道物理极限的墙：**极暗弱天体的探测**。

在深空观测中，距离最遥远的天体也是最古老的天体。它们的光信号极其微弱，往往淹没在宇宙背景噪声中。传统解决方案是延长曝光时间或增大镜面——但前者受到望远镜寿命和观测时间的严格限制，后者则意味着天文数字的建造成本。

清华团队的思路截然不同：**不升级硬件，而是用AI「软升级」数据处理**。

---

「星衍」的核心原理：智能对抗噪声

「星衍」模型的创新之处在于，它针对天文数据的特殊性质，设计了一套独特的AI处理流程。

天文数据的特殊挑战

天文图像的噪声与日常摄影完全不同。宇宙空间中充满了**时空异质噪声**——来自宇宙射线、探测器热噪声、背景辐射的随机干扰，在时间和空间维度上都呈现出高度不均匀的特征。在这种环境下，一个极暗弱的高红移星系信号，可能只比噪声高出几个光子。

三大技术创新

1. 光度自适应筛选机制

「星衍」首创了针对极暗弱天体的光度自适应筛选方法，能够在海量像素中精准定位可能存在天体信号的区域，而非对整张图像进行盲目处理，大幅提升了计算效率和检测精度。

2. 联合建模策略

与传统去噪方法不同，「星衍」对**噪声与天体光度同步建模**，将二者视为相互关联的系统而非简单叠加，从而实现更精准的信号-噪声分离。

3. 「分时中位，全时平均」优化策略

针对时序天文观测数据，「星衍」采用创新的时序融合策略——在短时间尺度上使用中位数统计以剔除宇宙射线等瞬态干扰，在长时间尺度上使用均值累积以放大暗弱信号。这一设计同时兼顾了**信号保真度**和**天文数据科学严谨性**两大核心要求。

---

实测数据：韦布望远镜的「软扩容」

「星衍」的性能提升可以用几组数字来直观呈现：

| 指标 | 提升幅度 |

|------|---------|

| 探测深度 | +1个星等（约2.5倍亮度差） |

| 光子收集效率 | 提升近10倍（一个数量级） |

| 等效观测口径 | 从6.4米→约10米（+56%） |

| 发现高红移天体 | 160余个（是以往研究的3倍） |

「提升1个星等」意味着什么？在天文学的星等体系中，每差1个星等，亮度相差约2.5倍。换句话说，「星衍」处理后，韦布望远镜能够探测到原本需要6.25倍曝光时间才能捕获的天体——相当于让望远镜「免费」获得了大量额外观测时间。

---

宇宙黎明的新地图：160余个早期星系

借助「星衍」，清华团队完成了一项极具科学价值的巡天观测：在宇宙大爆炸后**2亿至5亿年**的时间窗口内，发现了**160余个高红移候选天体**。

为什么这个时间窗口如此重要？

「宇宙黎明」（Cosmic Dawn）是宇宙学中最神秘也最关键的时代——大爆炸约3亿年后，第一批恒星和星系从氢气云中点亮，宇宙从漫长的黑暗中苏醒。这一时期的星系形成机制、再电离过程，至今仍存在大量未解之谜。

此前，即使是韦布望远镜，在这一极端红移范围内能够可靠探测的天体数量也相当有限。160余个新候选天体，是此前同类研究数量的**三倍**，将为研究宇宙早期结构形成提供统计意义上的全新样本。

---

泛化能力：不只是韦布专属工具

「星衍」的另一个重要特性是其强大的**泛化能力**。

该模型无需针对特定望远镜或观测波段进行人工重新标注和微调，即可适配不同的天文观测设备。目前，「星衍」已成功应用于：

• **空间望远镜**：詹姆斯·韦布空间望远镜
• **地面天文台**：多个地面光学望远镜阵列

这意味着「星衍」具备成为**通用天文观测AI增强平台**的潜力，未来有望在全球各大天文台推广应用，让更多望远镜受益于「软扩容」效果。

---

理工交叉融合的典范

这项成果背后，是清华大学一次颇具战略意义的跨学科合作。

戴琼海院士团队来自自动化系，专注于成像技术和计算光学，在光场相机、光学信息处理领域居于国际前沿。

蔡峥副教授团队来自天文系，专注于宇宙学观测和高红移星系研究，连续两年成功申请到詹姆斯·韦布空间望远镜的宝贵观测时间配额。

两个团队的深度融合，将计算成像的最新算法与真实天文数据的科学需求精准对接，才有了「星衍」这一既具备技术创新性、又满足天文严谨性的研究成果。

---

意义：从「硬件堆叠」到「智能增益」

「星衍」在《科学》上的发表，不仅是一项具体的技术突破，更是一种天文学研究范式转变的信号。

长期以来，天文观测能力的提升几乎完全依赖硬件投入——更大的镜面、更灵敏的探测器、更高的轨道。这种路线的边际成本极高，已接近工程和经济可行性的边界（韦布望远镜就是最典型的例子）。

「星衍」的成功证明，**AI算法可以作为望远镜能力的「虚拟扩容器」**，在不更换任何硬件的前提下，大幅延伸现有设备的科学产出上限。

这一范式的意义远不止天文学本身。在医学成像、地球观测、材料科学等同样依赖高精度探测仪器的领域，「用AI增益替代硬件堆叠」的思路同样具有深远的应用价值。

清华大学的「星衍」，为我们展示了一种令人振奋的可能性：AI不只是工具，更是科学本身的新维度。