软件优化算法助力韦布望远镜捕捉系外行星更多细节

随着系外行星目录规模持续扩大，研究人员迫切希望迈出下一步：尝试推断这些行星的实际环境条件，无论是通过直接成像，还是捕捉穿过其大气层的光线来实现。这两种方式都面临巨大挑战，因为恒星的光芒远比经行星反射或穿过行星大气后抵达地球的光线要明亮得多。

虽然望远镜可以配备一种名为日冕仪的装置来遮挡大部分恒星光线，但其效果存在局限，原因在于望远镜配置和观测指向之间存在细微差异所带来的噪声干扰。如今，研究人员开发出一套新的软件包，能够优化望远镜的物理模型，从而更好地模拟这些差异，实现低噪声的系外行星成像。

点扩散函数

这项工作的核心概念是点扩散函数。如果使用望远镜对一个单点光源成像，实际图像中它不会呈现为一个清晰的点，而是会因望远镜硬件的不完美以及在成像过程中保持精确指向能力的限制，呈现出轻微的模糊和扩散。描述望远镜如何使点光源发生畸变的数学公式，就称为点扩散函数。

确定点扩散函数的方法有两种。一种是利用望远镜对已知目标进行成像，并根据观测结果推导出点扩散函数的数学描述。这种方法在降噪方面效果显著，但也有其局限性，因为望远镜硬件的性能会随时间发生变化，而且点扩散函数可能会随着成像波长的不同而变化。

另一种方法是尝试对硬件行为建模，并利用该模型推导出点扩散函数。但现代望远镜是极其复杂的仪器，众多因素以难以厘清的方式影响着其性能表现，即便掌握完整的工程图纸也是如此。因此，这类模型往往包含过多需要调校的参数，使得这条路径在计算上难以实现。

不过，但凡关注人工智能领域发展的人都会意识到，我们如今已经非常擅长调校神经网络中的数十亿个参数，部分得益于一种名为梯度下降的数学技术。而且，由于这项技术是训练大型神经网络的核心所在，人们已经投入大量精力，优化梯度下降在GPU上的运行性能。

因此，一个研究团队开发出一套他们称为FLIP（意为"基于物理学的行星成像学习"，并非首字母缩写）的处理流程，该流程利用硬件的物理模型（在本案例中为詹姆斯·韦布空间望远镜上的NIRCam仪器），该模型包含106个可能的参数，随后通过软件优化所有这些参数。优化过程从一个模拟的点扩散函数开始，再利用梯度下降技术，基于真实恒星的观测数据优化其性能表现。在当前的GPU上运行，整个过程仅需半小时多一点的时间。

随后，所得结果会在研究人员实际分析的科学图像上进行微调。这一流程的最后环节至关重要，因为不同观测之间，部分变量会存在差异。

良好的成果

为测试这种方法的实际效果，研究人员使用了两颗已知拥有系外行星的恒星（HIP 65426和51 Eridani）的观测数据，还使用了第三颗恒星（TYC 5899）的数据——这颗恒星没有已知的系外行星，但观测数据之间已知存在较大差异。这些都是年轻的恒星，其中两颗拥有巨大的行星，这些行星因引力坍缩过程而仍保持温热状态，此前已能够对其进行成像观测。

借助韦布望远镜的数据，研究团队运用FLIP技术，根据具体观测情况不同，将信噪比提升了1.5至2倍。在一个可用于探测二氧化碳的波长范围内，他们首次在韦布望远镜的数据中发现了其中一颗行星。对于TYC 5899而言，这种方法将观测灵敏度提升了15倍。

研究人员指出，这项技术的应用价值不止于让我们更清晰地观测已知行星。通过降低噪声，还有望探测到那些此前一直未被发现的、更暗弱（因而也更古老或质量更小）的行星。此外，他们还认为可以对FLIP进行改进，使其能够突出显示对模型做出最显著调整的部分，这或许能为我们揭示望远镜硬件运行状态的有用信息。

该研究发表于《自然》杂志，2026年。DOI: 10.1038/s41586-026-11213-z（关于DOI的说明）。