本报记者 陈阳

射电望远镜每天接收海量宇宙信号，但数据中混杂着各种仪器效应与噪声，微弱的天体信号往往淹没其中。如何从这片“数据汪洋”中精准发现有价值的科学信号？

在贵州大学，大数据与信息工程学院副院长张利教授带领团队研发的天文智算大模型“天衍”，正在破解这一难题。

选择贵州——

因为这里有FAST和大数据

2018年，张利来到贵州大学工作。彼时，他已是中美联合培养博士，先后在中国科学院深圳先进技术研究院、清华大学从事研究。他的博士方向是望远镜阵列高动态范围成像技术，在美国期间主要参与SKA相关研究。

“我之所以来贵州，一个很重要的原因就是这里有FAST，这里有大数据。”张利回忆，他看中的，正是这种“天文+大数据”的叠加效应。

来到贵州大学后，张利的第一个重要工作就是建设实验室，将自己的科研成果与贵州省大数据、天眼结合，争取更多对贵州省科技发展有用的技术。

8年过去，这支队伍已发展到40余人，涵盖硕士、博士、博士后，累计培养高层次人才超过150人，团队与国家天文台共建了天文大数据联合实验室。

“这个实验室的目的，就是开发一套工具去服务天文学家。”张利说，“我们擅长的是AI和大数据，相当于通过技术去推动他们的研究。”

近年来，张利团队依托人工智能技术，研发出天文智算大模型“天衍”，实现天文数据高精度、智能化处理，为FAST核心阵列、SKA及未来大科学工程提供可靠的数据处理支撑。今年，“天衍”入选了贵州省行业大模型典型应用案例。

这套面向天眼的AI系统，采用了当前主流的人工智能大模型架构，并针对天文图像的特点进行了优化，本质上是一个针对FAST场景训练的人工智能系统。就像一位“智能图像处理专家”，能自动从海量观测数据中识别、还原出清晰、准确的天体图像，有效提升图像质量与科学价值。

擦亮“天眼”——

从“看不懂”到“看得清”

FAST每天产生的观测数据是海量的。但数据多，不等于发现得多。

“传统方法下，科学家处理一批FAST数据，往往要反复降噪、模式识别、比对、迭代。一篇科研文章，可能很长一段时间都在处理数据。”张利表示，数据处理占据了科学发现中的绝大部分时间。

张利解释，射电望远镜接收到的信号中混杂着各种仪器效应和噪声。“那些比较复杂的、有价值的信号，都藏在这些仪器效应的数据当中。”

“天衍”要做的，就是把这些信号从噪声中找出来。

张利用了一个通俗的比喻：经过海量数据训练的AI系统，就像一位有经验的老医生，“同一张影像片子，能看见不一样的细节，能看得更准、更精致。”

这套系统的核心技术包括三项：非对称编解码，像“理解再创造”一样对观测过程进行高精度建模；多尺度残差技术，让模型更加“眼尖”，识别出以往容易被忽略的微弱天体信号；动态频率门控技术，好比一个“智能滤波器”，在去除噪声的同时保留甚至增强天体边缘和细节。

AI要变聪明，需要“喂”数据。张利团队打造了全球规模最大、效应最全的天文AI训练数据集ADAM，包含6.12亿张模拟观测图像，以SKA与FAST模拟观测数据为核心，为全球射电天文研究筑牢数据根基。

“天衍”带来的效率提升是实实在在的。在FAST核心阵列数据处理中，系统在RMSE、PSNR、SSIM等关键指标上均有明显改善。张利透露，相比传统方法，AI系统可将数据处理时间从一年甚至更久缩短到几天，效率提升百倍到几千、几万倍，依据不同任务而定。

瞄准未来——

从数据治理到自主科学发现

“我们下一步要从数据治理走向自主科学发现。”张利说，未来要打造一个更智能的“AI科学家”，让它能够从FAST已有的海量历史数据中自动搜寻，发现人类可能没有注意到的规律，重点瞄准快速射电暴起源等重大难题。

“人可能把数据用完了，就不知道怎么再挖了。但AI可以反复调用数据、调用外部软件分析，直到达到某个能够科学发现的级别。”张利举了个例子：如果目标是从FAST数据中挖掘快速射电暴的起源，这个系统可以不断反复地处理、优化，直到找到答案。

另一个重要方向是科学计算超算。张利透露，FAST的数据量非常大，原始数据更多，本质上对计算资源要求更高。“贵州是全国一体化算力网络国家枢纽八大节点之一，有算力优势，这为天文大数据的计算提供了天然条件。下一步，我们要把FAST的科学需求和‘东数西算’结合起来，希望将来能调用全国节点，真正为天文大数据作计算支撑。”

对于FAST核心阵列二期，团队也在布局。“FAST核心阵列和SKA的技术一模一样，只是不同的项目而已。”张利说，团队会投入大量精力，开发更适配的AI系统，结合“东数西算”和超算，让中国天眼看得更远、更清、更快。