探索遥远暗弱的天体与结构，是破解宇宙起源演化、物质能量循环等科学谜题的关键。然而，天光背景噪声与望远镜的热辐射噪声叠加，会对暗弱天体信号形成干扰，这成为探秘宇宙的一大挑战。

日前，清华大学自动化系戴琼海教授、天文系蔡峥副教授、自动化系吴嘉敏副教授等带领团队基于计算光学原理与人工智能算法，提出时空自监督计算成像模型——星衍 (ASTERIS)，攻克极低信噪比下的高保真光子重构难题，突破天文观测深度极限，将詹姆斯·韦伯空间望远镜探测深度提升1个星等，找到3倍数量于过往研究的极暗弱高红移候选天体，探测到超过130亿光年的星系，并获取目前国际已知探测最深的深空影像。该成果2月20日凌晨在线发表于《科学》。

图片来源：清华大学

“星等”是为天体亮度划分的等级，数值越大，天体越暗。据介绍，该算法整合了多次曝光的时空信息。对模拟数据的基准测试表明，ASTERIS在90%的完整性和纯度下，将探测极限提高了1.0星等，同时保持了点扩散函数和光度精度。利用詹姆斯·韦伯太空望远镜（JWST）和昴星团望远镜的数据进行的观测验证，识别出了此前无法探测到的特征，包括低表面亮度星系结构和引力透镜弧。将ASTERIS应用于JWST深空图像，其识别出的红移≳9星系候选体数量是先前方法的3倍，且静止系紫外光度降低了1.0星等。

AI模型星衍概念图

图片来源：清华大学

星衍方法的核心，在于独特的光度自适应筛选机制。它不再单纯将背景噪声视为随机干扰，而是对噪声的涨落与星体本身的光度进行联合建模。这个机制引导模型专注于对暗弱的信号的提取与重建。

此外，即使信号极其暗弱，信号与噪声在时空分布中的数学期望仍存在显著差异。星衍无需通过复杂的物理建模还原望远镜的真实观测状态，直接利用带有真实噪声的海量真实数据进行训练，即可高保真地还原目标信号。

星衍增强前后的韦伯空间望远镜近红外观测数据对比

图片来源：清华大学

依托星衍，空基观测中受噪声干扰的暗弱天体得以实现高保真重现；结合非一致光学像差校正与广域大气湍流补偿等前期研究，地基时域巡天有望实现从硬件堆叠向智能增益的范式转型。计算光学与人工智能的深度融合，将赋予观测能力指数级增长，为天文学家探索“暗物质暗能量与星系起源” 等前沿科学问题提供关键技术支撑。

星衍的另一大优势在于其强大的泛化能力。作为一种时间-空间-光度多维智能学习方法，它仅基于已有的观测数据进行训练，无需依赖人工标注。这一特性使其能够轻松跨越不同观测平台和探测波段。目前，星衍已成功应用于詹姆斯·韦伯空间望远镜和昴星团地面望远镜，覆盖的波段范围从可见光（约500纳米）延伸到中红外（5微米）。

这标志着它不仅能解码空间望远镜的尖端数据，更可兼容多元探测设备，成为通用的深空数据增强平台，为人类探寻宇宙的巨眼，植入智能的AI大脑。