美国留学

一名18岁的天才高中生利用AI发现了数百万个隐藏的天体，使世界震惊。这份唯一的论文已发表在《天文学顶级杂志》上，可能有助于探索宇宙起源的奥秘。

NASA的2000亿个数据中隐藏了150万个未知的天体，发现自己的奥秘的人是美国高中生！

他是Matteo Paz，他是来自加利福尼亚州南帕萨迪纳高中的才华横溢的少年。

基于加利福尼亚理工学院的研究，Matteo开采了“睡眠数据”，以执行NASA的任务，并在《天文学顶级杂志》中发表了一篇文章，作为庄严的身份。

通过此结果，他直接在Regeneron Science人才搜索比赛中获得了25万美元的奖金。

2025年3月11日，Matteo Paz与加利福尼亚理工学院Dean Thomas F. Rosenbaum一起在Regeneron Science Talent Exploration Awards上拍照。

目前，该研究于去年11月发表于《The Astronomical Journal》，并在文章中详细列出。

但是，本文中没有提到的是唯一的作者只有18岁。

150万个潜在的天体在18岁时获得了25万美元的奖金。最近，来自美国加利福尼亚州的18岁高中生Matteo Paz超过了2025年Regeneron Science Science Search Search竞赛（Regeneron STS）的英雄，并通过杰出的研究赢得了一名一等奖，巧妙地融入了机器学*和天文学。

2025年Regeneron Science人才搜索比赛冠军，Matteo Paz中间

Regeneron Science人才搜索竞赛始于1942年，被称为“美国最古老，最负盛名的高中科学与数学竞赛”。它最初被称为Westinghouse Science才艺搜索，旨在认识并赋予年轻科学家的潜力。

他使用AI处理来自NASA的2000亿个数据，揭示了150万以前未知的潜在对象。

2013年12月，Neowise发现的第一个接近地球的小行星，红色的点表示运动的道路

Matteo Paz在一次采访中承认：“能够参加比赛是一种荣幸。从进入前十名到赢得冠军，惊喜接一对，我仍然觉得自己在做梦。”

Matteo Paz站在后排，他的第一名感到震惊

在获得了25万美元的奖金之后，Paz的下一个旅程是大学。

他说他已被录取到斯坦福大学。

在参加颁奖典礼前几周，帕兹在他在帕萨迪纳的家中醒来，看到火焰在窗外搅动。

伊顿大火传播得如此之快，以至于他没有收到任何官方警报。

伊顿大火在2025年1月7日晚上爆发。在天气的影响下，大火迅速蔓延，杀死了18人，摧毁了9,000多个建筑物，使其成为加利福尼亚历史上第五高的死亡人数和第二次最严重的伤害。

撤离和大火后，他的家终于幸存了。

这给了他一个新的观点。

现在，他正在考虑这次是否可以将红外线望远镜送入地球轨道——，以监视地球本身上的新火。

但是，他现在希望利用他的研究结果来探索自大爆炸以来宇宙的神秘扩张率，并帮助科学家解决宇宙学中最大的难题之一。

“这项工作可以帮助解决当前研究中一个非常有争议的问题，或者将揭示有关宇宙起源真正基本的东西。”

在通往“追逐星星”的道路上，我不小心就读了一位著名的老师，而帕兹（Paz）对天文学的热爱已经萌芽。

当时，他的母亲经常带他去加州理工学院的观星讲座系列，而明亮的星空天空在他的心中种下了探索的种子。

在2022年夏天，他去了加州理工学院（Caltech），系统地研究了由安德鲁·霍华德（Andrew Howard）教授领导的卡尔特赫星球Finder Academy的天文学和相关计算机科学知识，开始了更深入的学术探索之旅。

天文学教授：安德鲁·霍华德

2023年，他参加了加利福尼亚理工学院的六周夏季研究计划（SRC）。

该计划是由教学，学*和扩展中心运营的，旨在与当地高中生的校园实验室辅导员相匹配，并为学生提供科学研究实践的支持。

Caltech 2023 Kirkpatrick Group SRC项目报告

天文学家和IPAC高级科学家Davy Kirkpatrick担任PAZ的导师。

除本科生，公民科学家和访问研究人员外，柯克帕特里克（Kirkpatrick）在过去五年中还曾执教过高中生。

天文学家：戴维·柯克帕特里克（Davy Kirkpatrick）

帕兹很幸运见到了他的导师戴维，后者给了他充分的自由和支持。他回忆说：

我记得当我们第一次谈话时，我提到我的目标是发表一篇论文，该论文远远超出了六周的项目周期。他没有劝说他，而是高兴地回答：“好吧，让我们谈谈它。”

在研究过程中，他为PAZ提供了足够的独立探索空间，正是这种自由使Paz在科学研究的道路上迅速发展。

柯克帕特里克（Kirkpatrick）在田纳西州的农业社区长大，并在九年级的化学和物理老师玛丽莲·莫里森（Marilyn Morrison）的帮助下实现了天文学家的梦想。

莫里森老师向他和他的母亲指出了他的才华，并精心指导了上学所需的课程，为在大学进一步学*铺平了道路。

现在，柯克帕特里克（Kirkpatrick）希望在当时传递老师的指导。他说：“一旦我发现别人的潜力，我一定会帮助他完全意识到这一点。”

2025 Regeneron Science Genius搜索一等奖获得者Matteo Paz Handheld Trophy

但是，柯克帕特里克（Kirkpatrick）希望从Neowise（接近地面大型红外探测器）项目中获取更多有价值的信息。

ZE是测量师的英雄，是Neowise的后代，NASA是NASA的退休红外望远镜。

在服务的十多年中，它不断扫描整个天空，着重于寻找地球附近的小行星和其他天体。

Neowise在2024年底之前恢复到大气层，并安全燃烧

虽然NASA的Neowise望远镜是观察小行星的主要任务，但它也敏锐地捕获了其操作过程中遥远宇宙中物体的热量变化。

这些天体中有些会散发出强烈的闪光或脉动，而另一些天体则在彼此覆盖时经历了亮度衰减，反映了宇宙中天体运动的多样性和复杂性。

天文学家共同称这些变化的现象在亮度变化的恒星中，其中一些是类星体，超新星和相互遮挡的二进制系统，它们特别复杂，因为它们的变化不容易捕获。

模拟二进制星系亮度变化

但是，这些关于可变恒星的数据尚未得到充分利用。

如果Neowise团队可以识别这些天体并向天文学群落披露相关数据，则最终的变量星目录将帮助人类深入了解宇宙天体的定律随着时间的流逝而发展。

当时，该团队累积了检测数据已有十多年了，总数据量近2000亿行。

2024年，Neowise团队发布了该项目的最终数据和未被发现的图像

Kirkpatrick的想法是：

在夏季，选择一小部分天空进行分析，以查看是否可以从中找到一些可变星星。

然后，我们向天文学界展示了这些成就，并告诉他们“这是我们发现自己的新事物，想象整个数据集中包含的巨大潜力！”

在AI结束时，面对Neowise近2000亿行的大量数据，Paz没有选择手动筛选，而是通过依靠在学校积累的知识来采取不同的方法。

在结合节目，理论计算机科学和数学的选修课程中，他对AI产生了浓厚的兴趣。

他知道，AI是大规模有序数据集的最佳培训，教师Kirkpatrick提供的数据符合此情况。

幸运的是，他在高级演算中完成了BC课程，并拥有开发机器学*模型所需的数学能力。

基于这些优势，PAZ开始构建机器学*模型，对数据集进行系统分析，并准确识别潜在的可变星候选者。

论文研究主题以及2014年至2018年天文学深度学*的各种主题的数量

在那六个星期中，他开始建立一个AI模型，这是最初实现的。

在他的研究中，帕兹经常向柯克帕特里克（Kirkpatrick）索取天文学和天体物理学的知识。

当谈到这一经历时，他总是无法掩饰自己的喜悦：

每次我们见到戴维时，我们只花10的时间讨论工作并在其余时间聊天90。有这样的人可以一起谈论科学真是太好了！

Kirkpatrick还向天文学家Shoubaneh Hemmati，Daniel Masters，Ashish Mahabal和Matthew Graham介绍了Paz。

他们为PAZ提供了在天文学中的机器学*应用以及不同时间尺度上可变星星的研究方面的宝贵专业知识。

Paz和Kirkpatrick意识到，NeowSise观察的方式存在局限性，因此难以有效地检测和分类闪烁或慢慢变化的对象。

夏天结束后，还有很多工作要做。

第二年，2024年，帕兹（Paz）和柯克帕特里克（Kirkpatrick）再次合作。

现在，PAZ改善了AI模型，从Neowise观察结果中处理所有原始数据并分析结果。

该模型在包含实际红外变量星的验证数据集上进行了测试，并在四种类型的可变星识别任务中获得了0.91的F1分数。

此外，从Neowise数据中，该模型成功地识别并分类了约150万个潜在的可变星候选者。

在这项研究之前，没有人试图使用该数据集，其中有2000亿行来识别和分类其中所有重要的可变性现象。

Matteo Paz在2023研讨会上提出了他的初步研究结果

加利福尼亚理工学院的研究人员已经开始使用——Varwise，这是PAZ编写的潜在可变星体目录，研究二进制恒星系统。

第一个完整的红外变异性调查项目Varwise已确定并分类了190万星星，分为10个类别

2025年，PAZ和Kirkpatrick计划发布具有重大亮度变化的对象的完整目录。

AI+天文学：一种新方法Matteo Paz设计了一种处理流程，以从Neowise数据中提取可变的星星候选。

纸张链接：https://IOPSCIENCE.IOP.org/article/10.3847/1538-3881/ad7fe6

以前的方法在检测周期性信号方面非常有效，但是处理数据非常慢，例如明智的大规模（多达数十亿行），并且几乎不可能在实践中使用。

但是，PAZ采用的新机器学*模型可以在现实且可行的时间范围内解决此问题！

它的目标是分析天空中任何天体的光变化曲线，并将它们分为静态源，NOVA/明亮的瞬态源，二元系统或脉动光源。

具体而言，PAZ使用卷积操作和转换技术来提取高详细特征，从而使模型可以有效地检测周期性和非周期性亮度变化。

为此，他专门设计了一个Varnet模型，该模型可以快速识别天体时间序列数据中的真实变异性。

对于具有2000个数据点的光曲线。在22GB视频内存GPU上，VARNET处理速度大于53微秒/天体对象。

但是训练Varnet需要大量培训数据。为此，PAZ为每种类型的目标光源开发了一种准确的合成光曲线发生器，以为此复杂模型提供无限量的训练样品。

生成完整合成光伏曲线样品的步骤如下：

1。构建基本亮度函数f（t）

2。根据明智的观察节奏采样此功能（采样间隔）

3。添加高斯噪声，其中噪声差异是亮度函数的某种功能形式

有关伪代码的详细信息，请参见算法2。

该方法（见图1）达到了非常快速的跑步速度，并且在测试集上表现出很高的精度和出色的性能，最终产生了高质量的异常目标列表。

原始文本：异常检测过程的示意图

整个过程如下：

（1）收集和预处理数据

一种基于密度的方法用于在空间上将天体对象的外观聚集在单个暴露源目录中以及一系列数据转换中，以提高数据质量。

（2）设计和训练信号处理模型VARNET，该模型可以快速识别天体的时间序列数据中的真实变异性。

VARNET使用一维小波分解来最大程度地减少异常对分析结果的影响，并对离散的傅立叶变换（DFT）进行了创新的改进，以快速检测周期性和提取时间序列特征。

Varnet集成了这些特征分析，并使用机器学*来预测天体的类型，主要依赖于卷积神经网络。

VARNET模型的完整结构

VARNET模型的完整结构如上图所示。

整个模型均匀地使用Relu激活函数，然后从三个卷积层开始处理信号，将其压缩到三个通道中，然后将其发送到傅立叶特征提取模块。在模型的实际操作中，最终的输出向量将由SoftMax操作，以便可以将预测结果解释为概率并通过置信度进行排序。

（3）使用VARNET识别新的异常并手动检查预测结果。

他还验证了Varnet对已知和新发现的可变星源的灵敏度和准确性高。

果然，Varnet产生了一些有趣的检测结果！

首先，它以极高的信心将许多已知对象恢复。

例如，可变星V* V1403 ORI的置信度超过0.99。

精美识别的另一个是双星系统CRTS J054306.5-024247。

此外，Varnet发现了全新的天体。

位于J2000上升/偏转的天体对象1.53483，-59.08751被标记为Varnet的可变星候选物。搜索后，发现在现有文献或任何恒星列表中没有这种天体对象的相关记录。

甚至模型也发现了一个超新星！

在J2000上升/脱线31.40235，-61.05673时，该模型将天体标记为瞬态活性来源。比较后，天体对应于星形桌中记录的星系Leda 358365。

2023年6月，天体的物体具有快速的变亮现象。在对明智的下一个观察中，其亮度恢复到平均值（请参见下图）。

搜索瞬态事件目录后，可以发现该事件与2023LKP的观察记录匹配。

考虑到事件的持续时间及其起源于银河系，Paz等。判断这可能是超新星。

如果您对特定详细信息感兴趣，请参阅原始文本。

参考：

https://IOPSCIENCE.IOP.org/article/10.3847/1538-3881/ad7fe6/pdf

https://www.caltech.edu/about/news/exploring-space-with-ai

https://www.businessinsider.com/teen-wins-cash-award-ai-ai-discovery space-objects-nasa-2025-3

本文来自作者：Xin Zhiyuan的微信公共帐户“ Xin Zhiyuan”，由36KR发表并授权。