中国科学家研发多模态神经网络，高效精准分类数千万天体目标

在现代天文研究中，了解宇宙结构、星系演化和暗物质分布的关键在于准确识别天体类型。传统方法主要依赖光谱观测，但由于资源有限，大规模巡天无法全面覆盖所有天体的光谱数据，导致许多天体未被精确分类。相比之下，图像观测速度快，能够覆盖更广泛的天区，并探测到更暗淡的天体，但单独使用图像或SED（多波段能谱）特征进行分类时，存在较高的简并性问题，例如高红移类星体和恒星在图像中容易被误认为点源，而不同类型天体在颜色空间中也可能重叠。 为解决这一问题，中国科学院云南天文台的封海成博士与中国郑州大学的李瑞博士、意大利那不勒斯费德里科二世大学的Nicola R. Napolitano教授合作，开发了一种多模态神经网络模型。该模型创新性地结合了天体的形态特征和SED信息，大大提高了分类的准确性。通过利用欧洲南方天文台千平方度巡天项目（KiDS）第五次数据发布的1350平方度天区中的数据，研究人员成功分类了超过2700万个r波段亮度高于23等的天体，实现了对恒星、类星体和星系等多种天体的高精度自动识别。 封海成团队的方法对于即将到来的大规模多波段巡天项目，如中国空间站巡天望远镜，具有重要意义。这些项目预计会产生数十亿条天体观测数据，传统的手动分类方法显然难以应对如此庞大的数据量。而基于深度学习的多模态方法不仅可以提高分类速度，还能确保数据的准确性和可靠性。此外，团队还计划在未来进一步优化模型，使其能够处理更多类型的数据，从而推动天文数据处理技术从“量”向“智”的转变，为构建高质量的天文数据库和揭示宇宙演化的奥秘打下坚实的基石。 此次研究成果以《基于神经网络的KiDS DR5源形态-光谱分类：综合的恒星-类星体-星系目录》为题，发表在权威的《天体物理学报增刊》上，受到了业内广泛的关注和认可。业内专家认为，封海成团队的研究不仅解决了长期以来天体分类中的瓶颈问题，还为未来的天文大数据分析提供了重要的技术范例。中国科学院云南天文台作为中国顶尖的天文研究机构，一直致力于推进天文学的发展，这次的合作成果再次体现了其在国际天文学领域的领先地位。