Anthropic Claude Science 生成首张完整的紫外天空图

TL;DR

Anthropic 的 Claude Science AI 协调了多个紫外 (UV) 天空调查的收集、校准和补全，生成了首张完整的全天紫外图，填补了数十年来存在的空白，并为天体物理学提供了一种新的教育工具。

为何完整紫外图一直缺失

紫外观测需要基于太空的望远镜，因为地球的臭氧层会吸收紫外光。在过去 50 年里，NASA 的 GALEX（2003–2013）任务拍摄了大约三分之二的天空，但为了保护探测器，故意避开了明亮恒星区域，尤其是银河系平面区域。来自 NASA 的 Swift、韩国的 FIMS/SPEAR、TD-1 等的额外紫外数据仍然留下了大量未观测区域——约占整个天球的三分之一。传统的统计补全方法需要数周的细致像素级校准，是一项耗时费力的工作，大多数研究人员都将其搁置，优先处理更高优先级的任务。

Claude Science 如何构建这张图

数据收集与归一化

• Claude 部署了一支 AI 代理团队，定位并下载了所有公开可用的紫外调查数据，包括约 38,000 张 GALEX 图像和来自 Swift、FIMS/SPEAR、TD-1 的数据集。
• 代理对每张图像进行校准，以消除恒星引起的眩光和大气背景，确保在不同时间、使用不同仪器拍摄的观测数据之间保持一致。

交叉校准与合并

• 代理将每个调查数据重采样至统一分辨率，并将所有数据投影到统一的天球坐标网格上。
• 交叉校准对齐了不同仪器的光度尺度，使数据能够无缝合并为一张单一的紫外拼接图。

补全未观测的三分之一

• Claude 应用了机器学习补全技术，以已有紫外测量的三分之二天空为训练数据。
• 该模型学习了紫外强度与互补波长（可见光、红外、射电）之间的统计关系，并利用这些相关性预测缺失区域的紫外值。
• 验证过程包括隐藏已知的紫外数据，进行补全，再测量误差；模型与真实测量值的偏差约为 10%，这一差异对人眼而言几乎不可察觉。

加入恒星贡献

• 利用 Gaia DR3 的可见光测量数据，Claude 估计了超过一亿颗独立恒星的紫外辐射，并将这些点源纳入最终地图。

迭代优化

• 初版地图显示残留的圆形伪影——GALEX 观测中大气辉光减除不完全的残余。
• 在发现问题后，Claude 重新估计了全部 38,000 张 GALEX 观测的背景，消除了这些碟状伪影。
• 经过十余个版本的迭代，每个版本均通过人机交互循环不断优化。

最终成果

• 完成的紫外天空图结合了远紫外（154 nm）和近紫外（232 nm）数据，覆盖整个天球。
• 可见结构包括被年轻恒星照亮的尘埃云、超新星驱动气泡形成的巨大尘埃环、微弱的星际丝状结构，以及大麦哲伦云和小麦哲伦云。
• 该地图可在 https://menard.pha.jhu.edu/uvmap/ 公开访问，包含每像素标签，标明数值是测量值还是预测值，并附有不确定性估计。

对教育与研究的意义

• 该地图为多波段天文学教学提供了缺失的波长层，使学生能够直接比较银河系的紫外、可见光、红外和射电图像。
• 研究人员获得了研究尘埃散射、恒星形成区和星系尺度紫外背景辐射的基准紫外数据集。
• 该工作流程展示了 AI 协调的流水线如何解决低优先级、数据密集型项目，这些项目原本可能永远无法完成。

致谢

• 数据来源：GALEX、Swift-UVOT、FIMS/SPEAR、TD-1、Planck 和 ESA Gaia DR3。
• 多个 Claude Science 代理完成了大部分数据处理工作；作者负责整体策略指导。

---

• 所有陈述均基于 Anthropic 于 2026-10-08 发布的研究文章。