科学中的人工智能 · AI就绪的数据
AI就绪的数据
用物理学改进AI学习所用的数据，让模型学到的是天空，而不是仪器。
简介
机器学习如今已广泛用于分析天文图像。但模型会学到训练数据中的一切，包括望远镜的缺陷：模糊或不均匀的点扩散函数（point spread function）、相关噪声（correlated noise）、欠采样造成的伪影。用这样的数据训练出来的模型，学到的可能是仪器效应，而不是天空的实际情况。
我的思路是以数据为中心。我不去构建越来越复杂的模型来弥补数据的不足，而是先用物理学改进数据。这项工作从图像重建开始：把望远镜欠采样的曝光合成为充分采样的图像，其点扩散函数尽可能接近选定的目标，因此每一幅输出图像的PSF都是已知的；IMCOM和“无为”做的都是这件事。用统计学的语言说，这是一个线性反问题（见图像重建）。
深入了解
我的许多工作都属于反问题：从望远镜欠采样（undersampled）的曝光中重建充分采样的图像就是一例，而我为此开发的算法“无为”（Effortless）在设计上兼顾可扩展性与可解释性。我用模拟数据中的“真实”值来验证这类方法，并衡量每个输出在多大程度上达到了目标。这也正是不确定性量化（uncertainty quantification）对机器学习的要求。
我的工作
我主导了把IMCOM重构为PyIMCOM的工作，使计算成本降低了约一个数量级；团队成员用PyIMCOM为OpenUniverse2024模拟生成了IMCOM协加图像，团队的多篇论文都用到了这些图像。之后我开发了线性图像重建算法“无为”，它比IMCOM快几十倍，占用内存更少，而且可解释：IMCOM的大型矩阵求逆在很大程度上是一个黑箱，而“无为”分步设计输入像素的权重，每一步都可以理解。我的论文中也用到简单、可以核查的机器学习模型，例如用支持向量回归模拟APOKASC-3的星震修正（Cao and Pinsonneault 2025），以及用稳健回归、借助注入恒星校准“无为”的测量（Cao 2026b）。我在数据科学方面受过的正式训练，包括Erdős Institute的数据科学训练营。
论文
下一步
其中一个目标是制作可以直接用于机器学习的图像产品，也就是点扩散函数和噪声都有完整记录的重建图像。我希望AI能帮助我实现在图像、宇宙学和恒星方面的研究目标，同时让我交付的一切始终可以核查。AI在每个研究方向中的切入点，见我的研究方向。
本页术语（4）
- 点扩散函数（point spread function，PSF）
- 望远镜和相机为单个点光源（例如一颗遥远的恒星）所成的像：一小团模糊的光斑。任何图像都是真实的天空被点扩散函数模糊之后的样子，所以要测量形状，就必须精确地知道点扩散函数。
- 相邻像素共有的噪声，而不是逐个像素独立变化的噪声，例如让一整行像素都略亮或略暗的条纹。与白噪声不同，把相邻像素合并起来并不能有效地压低它；如果不加校正，它还可能伪装成真实的图样。
- IMCOM
- IMCOM是IMage COMbination（图像合并）的缩写，是一种图像协加方法。它选取各个输入像素的权重，使输出图像的点扩散函数尽可能接近用户指定的目标，同时把噪声控制住。PyIMCOM是它面向罗曼的现代实现，“无为”（Effortless）则是更快的后继方法。
- 欠采样、充分采样（undersampled，well-sampled）
- 如果像素太粗，无法捕捉图像中最精细的细节（在这些细节的尺度上采样不到两次），图像就是欠采样的；如果像素足够精细，就是充分采样的。罗曼的单次曝光是欠采样的，重建后的图像则是充分采样的。