ASTERIS：深度学习刷新天文观测极限，让 JWST “看”得更远

TL;DR

清华大学等团队近日在《Science》子刊发表了 ASTERIS 算法。这是一种基于深度自监督学习的去噪技术，专门针对 JWST（詹姆斯·韦布空间望远镜） 等顶尖设备的多曝光序列设计。它能在不增加曝光时间的前提下，将暗弱目标的探测极限提升 1.0 等级以上，成功识别出三倍于以往的高红移星系候选者。

背景定位：这是从“算法增益”角度突破天文物理限制的 SOTA 工作，将计算机视觉的前沿 Transformer 技术精准引入了极低信噪比的天体物理研究。

1. 痛点：为什么叠加 M 次曝光不再够用？

在天文观测中，为了看清极暗的星系，天文学家通常使用“多曝光叠加（Co-addition）”：通过叠加 $M$ 张照片，理论上可以将信噪比提升 $\sqrt{M}$ 倍。

然而，这种方法存在两个巨大的障碍：

1. 边际效应递减：要想让探测极限提升 1 个等级，所需的曝光时间通常需要增加数倍甚至数十倍。例如把 JWST 的极限从 31 等级提升到 32 等级，曝光时间得从 4 天增加到 1 个月，这在极为昂贵的观测时间分配面前几乎不可行。
2. 噪声非独立同分布：实际观测中，由于光学系统的点扩散函数（PSF）、大气扰动、以及复杂的仪器效应，噪声并不是随机分布的，而是具有空间相关性的。传统方法无法有效剔除这些“结构化”噪声。

2. 核心机制：ASTERIS 的时空炼金术 (Methodology)

ASTERIS 的创新在于它不再把同一位置的多张照片简单看作是“重复”，而是看作一个三维时空体（Spatiotemporal Cube）。

2.1 基于 Transformer 的三维 U-Net

作者设计了一个 3D U-Net 架构，核心是 3D-MDTA（时空多解卷积头转置注意力机制）。

• Why? 卷积神经网络（CNN）的感受野有限，难以捕捉大范围的结构化背景噪声。
• Insight：通过注意力机制，模型能在大空间跨度和多个时间切片（曝光序列）中寻找一致的信号，而去除不一致的随机涨落。

2.2 3σ 分割策略：保护物理真实性

天文去噪最怕的是“把星系当噪声洗掉”或“创造不存在的星系”。ASTERIS 巧妙地采用了一个 3σ 阈值分割：

• 将像素分为高信噪比部分（>3σ）和背景暗部（≤3σ）。
• 神经网络只处理背景暗部，高信噪比的明亮星体和星系核心直接通过中值叠加法保留。这确保了算法不会破坏原本就很清晰的天体光度。

图 1：ASTERIS 算法流程。从多曝光输入到 3σ 分割，再进入 3D U-Net 进行自监督去噪，最后重新拼接。

3. 实验战绩：发现“隐形”的星系 (Results)

通过对 JWST GLIMPSE 项目的数据进行测试，ASTERIS 展示了极强的压制噪声的能力。其结果直方图比标准叠加法（Co-addition）窄得多，意味着背景更加纯净。

3.1 极高的检测灵敏度

• 深度提升：在 90% 完成度下，ASTERIS 比标准叠加法探测极限提升了 1.0 等级。
• PSF 保真度：通过 Kolmogorov-Smirnov 检验，ASTERIS 处理后的 PSF 分布与原始数据无统计学差异（p=0.9），这意味着它没有像模糊算法那样牺牲空间分辨率。

图 2：模拟数据测试。ASTERIS（橙红色）生成的图像直方图最窄，噪音最低且保留了最多的真实目标（n 值最大）。

3.2 现实世界的探索：高红移星系的三倍爆发

在应用到 JADES Origins Field 这一目前人类最深的视野数据时，ASTERIS 识别出了 162 个 redshift ≳ 9 的高红移星系候选者。这是此前使用传统方法识别数量的三倍。这些星系记录着宇宙大爆炸后仅 3-5 亿年的早期面貌。

4. 深度洞察与展望 (Critical Analysis)

为什么 ASTERIS 有效？ 以往的自监督去噪（如 Noise2Noise）多针对单张图像，而 ASTERIS 引入了时间维度（多曝光序列）。天文学这种特殊的观测模式——对同一天区反复拍摄——提供了极佳的自监督先验：真实的信号（星星）在多张照片里都在那，而噪声（涨落）在每张照片里都不同。 ASTERIS 的注意力机制精准捕捉了这种时空一致性。

局限性 (Limitations)：

• 算力需求：推理虽然快（18 秒一张图），但训练一个特定仪器的模型需要数块 A100 运行 20+ 小时。
• 仪器通用性：作者发现 JWST 训练的模型直接用于地面望远镜（Subaru）效果有限，需要针对特定仪器（考虑到大气扰动等）进行重新训练。

启示： ASTERIS 告诉我们：数据处理技术的进步，本身就是一种“虚拟望远镜”的升级。 在硬件提升日益困难的今天，通过算法在现有的 EB 级天文库中进行“数据考古”，可能会比发射新的卫星更能带来突破性的发现。

关键词：Self-supervised Learning, Spatiotemporal Denoising, JWST, High-Redshift Galaxies, Transformer.