第一张完整紫外天图
来自 Anthropic Research · 期号 2026-10-08
摘要
约翰·霍普金斯大学天体物理学家、Anthropic 研究员 Brice Ménard 用 Claude Science 做出了第一张完整的紫外天图。 过去没有完整紫外天图，因为紫外光被大气臭氧层吸收，只能靠太空望远镜观测。NASA 的 GALEX 任务拍了约三分之二的天空，但刻意跳过了亮星密集的银道面，怕损坏探测器。其他望远镜补了一些数据，但仍有大片空白。用传统统计方法填补这些空白需要数周时间，天体物理学家通常不会优先做这类工作。 Ménard 让 Claude 调度了一组 agent：先搜集所有公开的紫外巡天数据（GALEX、Swift、FIMS/SPEAR、TD-1），把不同望远镜、不同时间拍摄的图像统一到同一尺度上，去除亮星造成的眩光。最难的一步是填补从未被观测过的约三分之一天空。Claude 用 inpainting 技术，学习了已有紫外数据与可见光、红外、射电数据之间的关系，然后对缺失区域做出估计。验证时，Claude 故意隐藏已有紫外数据的区域，模型能还原到真实值的 10% 以内，人眼几乎看不出差别。 最终天图展示了银河系中发光的尘埃云、巨大尘埃环和细丝。Ménard 说，这个项目花了几天而不是几周，而且没有挤占他的研究时间。 原文是 Anthropic 研究博客，附有交互式天图链接。
深读
导读 约翰·霍普金斯大学天体物理学家、Anthropic 研究员 Brice Ménard 利用 Claude Science 的 AI agent 系统，制作出了第一张完整的紫外波段全天图。这项工作填补了因大气臭氧层吸收和望远镜观测限制而长期存在的空白，展示了 AI 如何让那些“重要但优先级不高”的科研项目变得可行。读完本文，你将看到 AI agent 如何协调数据收集、跨仪器校准、图像修复等复杂步骤，以及它如何将原本需要数周的工作压缩到几天内完成。 关键信息 - 此前最大的紫外巡天数据来自 NASA 的 GALEX 任务（2003–2013），它拍摄了约三分之二的天区，但刻意跳过了亮星密集的银道面，以防损坏探测器。 - 其他太空望远镜（NASA 的 Swift、韩国的 FIMS/SPEAR）补充了部分数据，但合并后的数据集仍有大片空白。 - Ménard 让 Claude 使用 inpainting 技术填补缺失的天区：它学习了已有紫外数据与可见光、红外、射电数据之间的关系，然后对从未被观测过的约三分之一天空进行预测。 - 在验证测试中，Claude 故意隐藏已有紫外数据的区域，经过多轮优化后，其预测值与真实测量值的偏差在 10% 以内，人眼几乎无法分辨。 - 最终地图还叠加了来自 ESA 盖亚卫星的可见光数据，推断出超过 1 亿颗恒星的紫外辐射。 逐节讲解 为什么没有完整的紫外天图 紫外光被地球大气臭氧层吸收，因此必须用太空望远镜观测。过去 50 年间，多个太空望远镜发布了紫外数据，但从未覆盖整个天区。GALEX 任务拍摄了约 38000 张独立图像，覆盖约三分之二的天区，但为避免损坏探测器，它刻意避开了亮星密集的银道面。其他望远镜虽有补充，但合并后仍有缺失。传统统计方法可以填补这些空白，但需要数周时间进行逐像素校准和反复分析，天体物理学家通常不会优先做这类工作。 用 AI agent 构建缺失的地图 Ménard 用 Claude Science 调度了一组 AI agent 来完成四个步骤。首先，agent 搜索并下载所有公开的紫外巡天数据（包括 GALEX、Swift、FIMS/SPEAR 和欧洲的 TD-1），这些数据由不同望远镜在不同时间拍摄，条件各异。其次，agent 对每个数据集内部进行一致性校准，重点去除亮星造成的眩光，就像地球上的太阳或街灯会为照片增加眩光一样，亮星也会污染太空望远镜的图像。多个 agent 并行处理不同天区，消除了这些差异。第三步，将不同望远镜的数据交叉校准、统一分辨率并映射到同一坐标系，合并成一张地图。最后也是最难的一步：填补从未被观测过的约三分之一天区。 用 inpainting 填补空白 Claude 使用了 inpainting 技术，一种机器学习中常见的图像修复方法，模型通过学习数百万张照片中每个部分与周围…