清华团队用AI给韦布望远镜降噪：100亿美元设备看到更暗星体

凌晨两点，清华大学博士生郭钰铎从电脑前跳了起来。算法跑通了——那些暗弱的星星，从满屏雪花点的噪声里浮了出来。他兴奋地给组里每个人发微信，结果一个回复都没等到……

不过那一夜，人类能看到的宇宙悄悄往远处挪了一截：他写的算法，让价值 100 亿美元的韦布望远镜瞧见了从前瞧不见的东西。

图源：果壳视频

显微镜和望远镜，解决的是同一类问题？

2020年，郭钰铎进入清华大学成像与智能技术实验室读博。这个实验室做的是计算成像，说白了就是给相机“配一个大脑”。镜头管采光，算法管推测，两边一配合，能挖出更多信息。

这本来已经是个很能打的工科实验室，可大师兄吴嘉敏带着团队跨到生物领域，把活的小鼠放上台子，用他们自己手搓的、配了大脑的显微镜一照，小鼠脑细胞的活动看得一清二楚，成果好几次登上顶刊。

图源：果壳视频

但刚进组的郭钰铎没跟着师兄去看生物。他拿到的是一个全新课题：研究望远镜怎么观星。

显微镜在实验台上，望远镜在天上；一个看微米级的细胞，一个看百亿光年外的星系。这难道不是两码事？

“我们做光学，是以问题为引导，”吴嘉敏说，“它们解决的都是光学的问题，只是应用领域不同。”

生物成像里，光要穿过几毫米厚的组织；天文观测里，光要跋涉上百亿光年，再穿过地球大气。尺度差了好多个数量级，可要解决的问题是同一个——怎么在满是噪声的模糊照片里，把有价值的信号找出来。

比如这张真实的天文照片，上面布满了雪花点，像极了老式电视机没信号时的画面。

未经处理的天文照片 | 果壳拍摄

这些密布的雪花点，来源可能是极暗的星光，也可能是设备自身底噪、太空里弥漫的微弱背景光，抑或光子随机出没造成的干扰。天文学惯常的做法是叠加曝光，把信号与噪声区分开。

对着同一片天空拍很多张，对齐后叠在一起。短暂的曝光时间里，天体不动，它们发出的星光总在同一个位置；噪声却是随机的，会出现在不同位置。叠起来之后，星光更明显，噪声被摊匀了。理论上，信噪比想提升M倍，曝光次数就得是M的平方。比如提升3 倍，要叠 3×3=9 张照片；提升 10 倍，要叠 100 张。

图源：果壳视频

那一直叠下去，能不能无限清楚？

答案是不能。这套办法收益递减得很厉害，想把韦布望远镜的探测极限从31等推到32等，总曝光时间得从4天增加到大约一个月。可望远镜是全世界科学家一起用的，每个课题组关注的天区不一样，设备的工作时长也有限，不可能对着一个位置没完没了地拍。叠加曝光法很快就撞到天花板。

郭钰铎说：“这个时候AI出现了。我觉得一切都是刚刚好。”

那为什么不问问AI？

拿AI做天文图像降噪，起点是一次课后答疑。

为了补天文知识，郭钰铎选了《观测天文学》，讲课的是清华大学天文系副教授蔡峥。下课后他去问老师，能不能用AI做天文图像降噪。蔡峥第一反应是没戏。空间望远镜的数据处理管线，都是千锤百炼过的，照片的每一个像素点，天文学家都认真钻研过了。蔡峥觉得已经没有能再提高的地方，甚至“神仙来了也没用。”

图源：果壳视频

听业界权威泼了这么一盆冷水，一般人可能就收手了。郭钰铎偏要死磕。

斯巴鲁望远镜是地面上最强的那台，郭钰铎把它的几百张照片下载下来，打算拿来训练AI。动手之前，他先干了一件事，后来师兄吴嘉敏逢人就夸：把照片里所有亮的部分全部砍掉。

天文图像的动态范围大得离谱，挨着的两颗星，亮度可能差上千倍。要是原样丢进网络，算法的注意力准被亮星牵走。可天文学家追的是极致的科学，盯得更多的是观测边界上那些快被噪声吞掉的暗弱目标，新发现往往就藏在那儿。亮星一砍，算法就能专心对付真正要看的区域。

图片处理完，按8张一组打包，整摞送进AI。

以前的训练路子，是先把多张曝光按像素叠起来，合成一张新图再喂给AI，信息只在二维平面上用。郭钰铎没走这条路：他不合成，一张张原始曝光直接交给模型。这些照片拍摄时刻不同，画面各有差别，AI不光能看到平面图，还能沿时间轴看出前后画面的变化，数据就此变成三维的。

8张曝光图构成三维堆栈 | 果壳视频

训练方法同样得另起炉灶。理想状态下，需要一张“完全没有噪声”的照片当标准答案，问题是宇宙里根本找不出这样的照片。

团队于是用了“自监督”的路子：16张曝光照片分成AB两组，每组8张。两组拍的是同一片天空，星星位置一致，噪声却各不相同。AI拿A组8张生成一张降噪图；B组8张则用叠加曝光合成一张，当作相对清晰的“参考答案”。

AI生成降噪图和叠加曝光的对比 | 果壳视频

两张图摆到一起看：两侧都有的东西是星星，降噪时得留住；只在一侧冒出来的东西是噪声，得清掉。每比一次，AI认星星的本事就长一点，理论上有可能超过传统方法。

只练了几个星期，AI就能把图像处理得又干净又漂亮。可郭钰铎发现，画面里一颗星星都没多出来。

没过多久，一个下大暴雨的日子，蔡峥突然来电，说想聊聊算法。话音落下不久，他就冒着雨从天文学系赶了过来。在茶歇间，他脱下湿透的鞋，换上郭钰铎的拖鞋，开口第一句是：“你这个算法不对，它是没有用的。”

两人一起把当时那套算法设计整个否了。郭钰铎沮丧了一阵，定了定神，问蔡峥：“如果我们做成了，这个东西在科学上，会有什么价值？”蔡峥没正面回答，抬手在白板上画了一条曲线——高红移星系的光度函数。

大爆炸之后，宇宙陷进漫长的黑暗，直到第一批星系出现，世界才重新有了光。这些最早的星系，是稀稀拉拉还是密密麻麻？不同亮度的星系在宇宙里各有多少？曲线讲的就是这件事。人类砸下几十年时间和巨额资金，造出最好的望远镜，曲线也只画到上图中蓝色曲线最右端那个位置。

蔡峥说：“如果这个事儿能做成，我们就可以在无人触及的地方，点上我们的点。”

凌晨两点的成功

在人类认知的无人之境点上一个点。揣着这个念头，郭钰铎重新上路。旧设计全部推翻，想做的点子、积累的洞察，统统写进一套全新方法里。

巧的是，这段时间人类最好的太空望远镜詹姆斯·韦布放出了海量深空数据。跨越百亿年的光落在成千上万张照片里，成了AI的“真题”。为了赶训练进度，郭钰铎常坐在电脑前一熬就是深夜。

“搞机器学习，特别是做这件事，我的体会是进度条不是线性走的。也许你干了一两个月，进度还卡在10%或者5%，看不到任何起色。可只要撑住，某天夜里它可能一下就窜到90%甚至95%。所以别撂挑子，说不定下一个晚上就成了。”

凌晨两点，算法忽然跑通了。暗弱的星星一颗接一颗从噪声里浮出来。郭钰铎激动坏了，抓起手机给能想到的人挨个发微信。大家都睡熟了，没人回他，他还是激动得不行。

几天后兴奋劲儿过去，他开始对自己的成果下最狠的手。大师兄吴嘉敏提出问题：怎么证明降噪结果不是AI胡编的？两人给AI安排了一场模拟考：先造一批“假星星”塞进真实噪声里，再让各种算法同场比拼，看谁找出的星星多。

25颗假星星，三种方法分别找到了13、17和23个，新算法遥遥领先（最右）

90%完备度下，新算法把探测极限提升了约1.0个星等；90%纯度下提升超过1.5个星等。完备度和纯度这两个指标，平时总互相拉扯：天上有100个星系，算法找出90个，完备度就是90%；算法报告找到100个，其中90个是真的，纯度就是90%。完备度高了，找得更多，混进来的假货也多，纯度就往下掉。新算法却把两头一起抬了上去。更关键的是，天体的光斑形状和亮度测量都没变，它只管去噪，没给数据添料也没减料。

同样条件下，新算法能看到的星星，比传统叠加法暗1个多星等。这样的提升，相当于给韦布换上一面10米口径的镜子。真把这面镜子造出来，得花三四百亿美元；他们付出的，只是一点算力的钱。

小星系点亮了宇宙

郭钰铎把这套新算法用在韦布望远镜的JADES深场数据上，相当于把数据重新“洗”了一遍。传统方法此前只捞到约50个早期星系候选体，新算法一下找出162个，其中75%从未被报告过。那些已经过光谱确认的星系，它一个都没落下。

图里比的是高红移候选星系的发现效果：过往研究用蓝紫星标出52个，星衍用橙色星标出162个。

这些暗弱小星系的数量，远超理论模型的预测。宇宙的早期，可能比我们想的要拥挤得多。把宇宙从漫长的黑暗中重新点亮，靠的或许不是某几个特别亮的大星系，而是那些微弱暗淡却数不清的小星系。

团队给算法取名“星衍”，出自《易经》的“大衍之数”，英文名ASTERIS。论文投给了《科学》杂志，审稿人的反馈相当积极：“总体而言，我认为这是一项非常相关的工作，可以对整个天文学产生重要影响。”

三个月后，“星衍”正式发布。

“人的认知往前走了一个星等，可要弄懂宇宙的规律，难度比蚂蚁理解广义相对论还大。”蔡峥说，“人总想看到更多风景，这正是人之所以为人的原因。”

这套开源算法并不只给韦布用。它不挑望远镜，地面的、空间的，中国的、外国的，都能装上它。硬件不用升级，观测时间也不用占。

这意味着什么？

1995年，哈勃把镜头对准天上一小块看似空荡荡的黑暗区域，连拍10天。照片冲出来后，所有人都愣住了：那片只有一粒沙子大小的天区，居然挤着近3000个星系。这便是著名的“哈勃深场”，它把人类对宇宙尺度的想象整个推翻重写。

把宇宙的年龄推算到138亿年、印证宇宙正在加速膨胀……这些改写教科书的结果，背后都是哈勃攒下的一张张照片。

如今，哈勃30多年攒下的存档，还有各国天文台硬盘里躺了多年的旧图，都可以翻出来重新“洗”一次。那些老照片里，或许就藏着谁也没见过的恒星。下一次把人类想象掀翻的发现，也许就在里面。

论文发表后，郭钰铎一下忙了起来。国内外的天文团队纷纷找上门，都想把这套算法用到自己的望远镜上。

他们请郭钰铎加入线上讨论。他就守在旁边听，看天文学家们兴致勃勃地聊它效果多好、还能怎么改。“我一声不吭，有时候我知道答案，也没说，就听他们争。一个工科生做出来的工具，能被天文学家这样认可，挺高兴的。”