AI协作完成史上首张全天紫外光地图

在天文学中，不同波长的光揭示宇宙截然不同的面貌：可见光呈现星体，红外光勾勒尘埃，射电波段显现氢气，X射线捕捉黑洞吸积等剧烈现象。紫外光则能照亮被星光点亮的尘埃云，从年轻恒星周围的星云到超新星爆发留下的遗迹环，都在这一波段清晰可见。然而长期以来，天文学家能展示的紫外全天图始终残缺不全，这一遗憾困扰了整整一代教学与研究工作者。

紫外线会被大气臭氧层吸收，因此紫外观测只能依赖空间望远镜。NASA的GALEX任务是迄今最大的紫外巡天项目，历时十年完成约3.8万次独立观测，覆盖约三分之二的天空。但为避免损坏探测器，GALEX主动跳过了银河系平面及高亮星区域。NASA的Swift卫星与韩国的FIMS/SPEAR任务虽提供了部分补充，合并后仍存在大量观测空白，统计填补这些空缺需要数周繁琐的像素级定标工作，导致该项目长期被搁置。

今年夏天，Ménard借助Claude Science启动了全天紫外地图的构建工作。Claude协调多个AI智能体并行运作：首先在网络上检索所有公开的紫外巡天数据集并完成下载，随后对各数据集进行内部一致性处理，重点消除亮星周围的光晕干扰——这一步骤类似于去除地面摄影中路灯造成的眩光，是精确测量周边暗弱紫外辐射的前提。

数据整合阶段，不同望远镜、不同仪器采集的数据需要统一到相同分辨率与坐标系下，并完成跨仪器交叉定标。最具挑战性的环节是填补约三分之一从未被紫外望远镜覆盖的天区。Claude Science采用机器学习领域的图像修复技术，结合已有的可见光、红外和射电波段数据，学习紫外亮度与其他波段之间的统计关联，进而对空白区域逐像素进行预测，并给出置信度估计。

为验证预测精度，Ménard要求Claude对已有紫外数据的区域人为遮蔽部分内容，模拟真实空白区域，再由模型独立还原。经过多轮迭代优化，模型预测值与真实紫外测量值的偏差控制在约10%以内，人眼几乎无法察觉差异。在此基础上，Claude还叠加了从欧洲航天局Gaia卫星可见光数据中推算出的逾1亿颗恒星的紫外辐射估计，最终完成了第一版完整的全天紫外光地图。

这张地图不仅填补了天文观测史上的一项重要空白，也展示了AI辅助科研的新范式：将长期积压的低优先级但具有重要价值的工作变得切实可行。Ménard表示，地图附带了每个像素的「已测量」或「预测」标注及不确定度估计，可供研究者区分实测与推算数据。作为教学工具，这张地图将让学生首次得以完整观察银河系在紫外波段呈现的丰富结构。

要点

• 首张覆盖全天的紫外光地图由AI协调多智能体完成，填补了NASA GALEX等任务留下的约三分之一天区空白
• Claude Science综合运用图像修复技术与多波段数据关联学习，预测精度达到真实测量值10%以内
• 地图为每个像素提供「已测量/预测」标注及不确定度估计，保障科学透明度与可用性
• 此案例表明AI可有效推动天文学中长期搁置的高价值基础性工作落地实施
• 该地图将作为天文教育工具，让学生首次完整看到银河系的紫外波段全貌