美国国家航空航天局（NASA）詹姆斯・韦布空间望远镜的观测数据曾面临处理难题，海量信息若依靠人工分析，需耗费数年时间。如今，人工智能图像处理技术打破了这一困境，将数据分析时长大幅压缩至数日甚至更短，为天文学领域带来了众多突破性发现，有些发现若没有该技术助力，或许永远无法被揭开神秘面纱。
如今，这项具有革命性的人工智能图像处理技术，将目光投向了位于智利的薇拉・C・鲁宾天文台。该天文台作为新兴的天文观测重镇，在引入此技术后，所拍摄图像的画质将得到显著提升，优化后的图像清晰度有望达到太空拍摄的水准。
薇拉・C・鲁宾天文台以美国著名天文学家薇拉・C・鲁宾命名，她为暗物质的存在提供了关键证据。天文台坐落于智利安第斯山脉海拔2673米的帕琼山山顶，其望远镜于去年正式投入运行。按照规划，它每三晚会对整片天空进行一次扫描，并计划用十年时间延时记录天体的运行轨迹。
尽管天文台所处的智利阿塔卡马沙漠是地球上最干旱的地区之一，干燥的大气和终年晴朗的天空为天文观测创造了绝佳条件，但遥远天体发出的光线在抵达望远镜探测器前，需穿过地球大气层，这导致鲁宾天文台拍摄的观测图像存在严重畸变。
为解决这一问题，加州大学圣克鲁兹分校的研究团队研发了一款全新的人工智能算法。该算法的核心目标是消除大气畸变，提升图像分辨率，让地面拍摄的图像能够达到太空望远镜的成像效果。研究团队负责人、天文与天体物理学教授布兰特・罗伯逊表示：“地面望远镜拍摄的光线在穿过大气层时，会因大气湍流导致画面模糊。过去我们投入大量资金研发高性能设备来校正大气畸变，如今通过训练人工智能机器学习模型，也能有效弱化这类模糊问题。”
在训练名为Neo的生成式模型时，研究团队使用了日本昴星望远镜的地面观测影像以及哈勃空间望远镜拍摄的同一片空域图像。Neo模型的主要任务是补全地面观测图像中缺失的细节，其训练成果令人瞩目。研究团队在论文中指出，该模型可将天体形态参数的测量准确度提升2至10倍。
在实际应用中，分辨率的大幅提升带来了显著效果。原本模糊斑驳的画面变得清晰，科研人员能够从中分辨出海量独立恒星，以及星系精准的轮廓形态。罗伯逊称：“该模型优化了观测数据的空间成像质量，从统计学层面还原出太空望远镜视角下的星系特征。”
这项技术不仅加速了天文发现的进程，还能让科研界对尖端天文望远镜的投入实现科研价值最大化。薇拉・C・鲁宾天文台配备了8.4米口径反射镜，建造成本达8亿美元（现汇率约合54.68亿元人民币），即便如此，其造价仍远低于哈勃、韦布等太空望远镜，后两者的建造与运维成本均高达数十亿美元。罗伯逊表示：“我们为天文台投入了巨额资金和海量资源，希望依托公众和业界的投入，从观测数据中挖掘出全部科研价值。”
Neo模型属于条件生成对抗网络，这是人工智能图像生成领域的常用架构，由两组神经网络协同工作。其中一组神经网络负责从原始观测影像中生成优化后的高清图像，另一组则对图像画质进行评估校验。
该模型源于罗伯逊团队此前为加速韦布望远镜图像处理而开发的技术。造价高达100亿美元（现汇率约合683.47亿元人民币）的韦布望远镜会产生海量观测数据，仅依靠天文学家人工目视分析根本无法及时处理。而罗伯逊团队研发的这类人工智能算法，仅需数日就能完成人工耗时数年的分析工作。罗伯逊坦言：“海量观测数据不断涌来，人工分析根本跟不上节奏，传统的图像分析方法早已力不从心。”
这套算法依托英伟达GPU超级计算机运行，已助力韦布望远镜时代取得多项重大发现，包括探测到早期宇宙中本不在天文学家预期内的复杂星系。罗伯逊解释道：“该模型会解析图像的每一个像素，判别其属于宇宙空域还是天体实体；若判定为天体，还能进一步区分是盘状星系、椭球状星系还是恒星的组成部分。”
罗伯逊同时强调，人工智能算法并不会取代天文学家，而是帮助科研人员更快取得天文发现，同时捕捉到人类容易忽略的天体规律与特征。他表示：“人工智能并非完美无缺，但人类自身和传统研究方法同样存在局限。三者各有优势、互为补充。”目前，研究团队已将经算法处理后的天文图像开放给其他科研团队及公众探索研究。
