在NASA的2000億條數據中隱藏著150萬個未知天體，而揭開它們神秘面紗的，竟是一位美國高中生！  

他就是Matteo Paz，來自加州南帕薩迪納高中的天才少年。

基于加州理工學院的研究，Matteo挖掘了美國國家航空航天局（NASA）某項任務「沉睡的數據」，并以獨著身份在天文學頂級期刊發文。

憑借這項成果，他直接拿下了Regeneron科學人才搜索競賽競賽的25萬美元獎金。

2025年3月11日，Matteo Paz與加州理工學院院長Thomas F. Rosenbaum在Regeneron科學人才探索獎頒獎典禮上的合影

目前，這項研究已于去年11月發表在《The Astronomical Journal》上，并在文中作了詳細闡述。

不過，該論文中并未提及的是，唯一作者只有18歲。

150萬潛在天體，18歲拿下25萬美元獎金

近日，來自美國加州的18歲高中生Matteo Paz，憑借將機器學習與天文學巧妙融合的卓越研究，在2025年Regeneron科學人才搜索競賽（Regeneron Science Talent Search，簡稱Regeneron STS）中力壓群雄，斬獲一等獎，并將25萬美元獎金收入囊中。

2025年Regeneron科學人才搜索競賽獲獎者，中間為Matteo Paz

Regeneron科學人才搜索競賽始于1942年，被譽為美國「歷史最悠久、最具聲望的高中生科學與數學賽事」，最初名為西屋科學天才搜索（Westinghouse Science Talent Search），旨在表彰并賦能那些有潛力的年輕科學家。

他利用AI，處理了來自NASA的2000億條數據，揭示了150萬個先前未知的潛在天體。

在2013年12月，NEOWISE發現的第一顆近地小行星的運行軌跡，紅色點表示移動路徑。

接受采訪時，Matteo Paz坦言：「能參與競賽已是榮幸，從闖入前十到最終奪冠，驚喜接踵而至，至今仍覺得像在做夢。」

Matteo Paz站在后排，對自己獲得第一名的成績感到震驚

在贏得25萬美元獎金后，Paz的下一個征途是大學。

他表示，自己已被斯坦福大學錄取。

就在參加頒獎典禮的幾周前，Paz在帕薩迪納的家中醒來，透過窗戶看到外面烈焰翻騰。

伊頓山火（Eaton Fire）蔓延得極快，以至于他未收到任何官方警報。

伊頓山火（Eaton Fire）于2025年1月7日傍晚爆發，在天氣影響下，火勢迅速蔓延，共造成至少18人死亡，摧毀了9,000多座建筑，成為加州歷史上死亡人數第五高、破壞程度第二嚴重的野火

在疏散和數日的火情之后，他的家最終幸免于難。

這讓他有了新的視角。

現在，他正在思考是否有可能將一臺紅外望遠鏡送入地球軌道——這次是為了監測地球本身的新發火災。

不過，眼下他更希望利用他在NEOWISE數據中的研究成果，探索宇宙從大爆炸以來的神秘膨脹速度，幫助科學家解開宇宙學中最大謎題之一。

「這項工作要么能幫助解決當前研究中一個極具爭議的問題，要么將揭示一些關于宇宙起源的真正基礎性的東西。」

「追星」路上，偶得名師

早在小學時期，Paz對天文學的熱愛便已萌芽。

那時，母親常帶他參加加州理工學院的公眾觀星講座（Stargazing Lecture Series），璀璨星空就此在他心中種下探索的種子。

2022年夏天，他走進加州理工學院，在Andrew Howard教授領銜的行星探測器學院（Caltech Planet Finder Academy），系統學習天文學與相關計算機科學知識，開啟了更深入的學術探索之旅。

天文學教授：Andrew Howard

2023年，他參與了加州理工學院為期六周的暑期研究計劃（Summer Research Connection，SRC）。

該項目由教學、學習和推廣中心運營，旨在為當地高中生匹配校園實驗室導師，支持學生開展科研實踐。

加州理工學院2023年Kirkpatrick小組SRC項目匯報

天文學家和IPAC高級科學家Davy Kirkpatrick擔任Paz的導師。

在過去的五年里，除了本科生、公民科學家和來訪的研究員之外，Kirkpatrick還指導過高中生。

天文學家：Davy Kirkpatrick

Paz很幸運地遇到了導師Davy，Davy給予了他充分的自由和支持。他回憶道：

我記得在我們第一次交談時，我提到自己的目標是發表論文，這個目標遠遠超出了六周項目的周期。他非但沒有勸阻，反而欣然回應：「好的，那我們來談談吧」 。

在研究過程中，他為我提供了充分的自主探索空間，而正是這種自由，使我在科研道路上得以迅速成長。

Kirkpatrick成長于田納西州的農業社區，在九年級化學與物理老師Marilyn Morrison的助力下，圓了天文學家之夢。

Morrison老師向他和母親點明其天賦，并悉心指導升學所需課程，為大學深造鋪路。

如今，Kirkpatrick希望將老師當年的指引傳遞下去，他表示：「一旦發現別人的潛力，我一定會全力幫助他充分發揮出來。」

2025年Regeneron科學天才搜索一等獎得主Matteo Paz手持獎杯

但Kirkpatrick希望從NEOWISE（近地天體廣域紅外探測器）項目中獲取更多有價值的信息。

巡天功臣，澤被后代

NEOWISE是NASA已退役的紅外望遠鏡。

在服役的十多年間，它不間斷地掃描整片天空，專注搜尋地球附近的小行星及其他天體。

NEOWISE在2024年底重返大氣層并安全燒毀

雖然NASA的NEOWISE望遠鏡以觀測小行星為主要任務，但在運行期間，它還敏銳捕捉到遙遠宇宙物體的熱量變化。

這些天體有的會發出強烈閃光或脈動，有的在相互遮掩時會出現亮度衰減，反映出宇宙天體運動過程中的多樣性和復雜性。

天文學家將這些亮度變化的現象統稱為變星，其中一些類型如類星體、超新星和互相遮掩的雙星系統，因其變化不易捕捉而尤為復雜。

模擬的雙星系統亮度變化

然而，這些關于變星的數據尚未得到充分利用。

如果NEOWISE團隊能夠識別這些天體并向天文界公開相關數據，由此生成的變星目錄將有助于人類深入理解宇宙天體隨時間演化的規律。

當時，團隊已積累超十年的探測數據，總數據量接近2000億行。

2024年，NEOWISE團隊公布了項目的最終數據和未發現圖像

Kirkpatrick的設想是：

在夏天先選取一小塊天空進行分析，看看能否從中找到一些變星。 

然后，我們再向天文界展示這些成果，告訴他們「這是我們親自發現的新事物，想象一下整個數據集蘊含的巨大潛力吧！」

AI下場，大顯身手

面對NEOWISE近2000億行的海量數據，Paz并未選擇手動篩選，而是憑借在校積累的知識另辟蹊徑。

在一門融合了編程、理論計算機科學和數學的選修課上，他對AI產生了濃厚的興趣。

他深知，AI在大規模有序數據集上訓練效果最好，而導師Kirkpatrick提供的數據恰好滿足這一條件。

幸運的是，他完成了AP微積分（Advanced Placement Calculus）BC課程，具備了開發機器學習模型所需的數學能力。

基于這些優勢，Paz開始構建機器學習模型，對數據集進行系統性分析，精準識別潛在的變星候選體。

2014―2018年天文學中應用深度學習的論文研究主題和各主題數量趨勢

在那六周里，他開始構建AI模型，該模型初見成效。

研究期間，Paz常向Kirkpatrick請教天文學與天體物理學知識。

談及這段經歷，他總是難掩喜悅：

每次和Davy見面，我們只有10%的時間在討論工作，剩下90%的時間都在閑聊。能有這樣一個人可以一起暢談科學，真是太棒了！

Kirkpatrick還將Paz介紹給了加州理工學院的天文學家Shoubaneh Hemmati、Daniel Masters、Ashish Mahabal和Matthew Graham。

他們在天文學中的機器學習應用，以及不同時間尺度下變星的研究方面，為Paz提供了寶貴的專業知識。

Paz與Kirkpatrick意識到，NEOWISE的觀測方式存在局限性，難以有效檢測和分類那些快速閃爍或緩慢變化的天體。

夏天結束后，還有很多工作要做。

第二年也就是2024年，Paz和Kirkpatrick再次合作。

現在，Paz已經改進了AI模型，用于處理來自NEOWISE觀測的全部原始數據，并分析了結果。

現在，Paz已經改進了AI模型，用于處理來自NEOWISE觀測的全部原始數據，并分析了結果。

該模型在包含真實紅外變星的驗證數據集上進行測試，在四類變星識別任務中取得了0.91的F1分數。

此外，從NEOWISE數據中，模型成功識別并分類出約150萬個潛在的變星候選體。

在這項研究之前，從未有人嘗試利用這張包含2000億行的數據集，去識別和分類其中所有重要的變異性現象。

Matteo Paz于2023年的研討會上展示了他的初步研究成果

他補充說，加州理工學院的研究人員已經開始使用帕茲編制的潛在變星體目錄——VarWISE，用于研究雙星系統。

首個完整的紅外變異性巡天項目VarWISE，共識別并分類了190萬個變星體，劃分為10個類別

在2025年，Paz和Kirkpatrick計劃發布包含NEOWISE數據中亮度變化顯著的天體的完整目錄。

AI+天文學：全新方法

Matteo Paz設計了一套處理流程，從NEOWISE數據中提取變星候選體。

論文鏈接：https://iopscience.iop.org/article/10.3847/1538-3881/ad7fe6

以前的方法在檢測周期性信號方面非常有效，但它們在處理WISE如此大規模數據（高達數十千億行）時速度極慢，幾乎無法在實際中使用。

而Paz采用的全新機器學習模型，卻能在現實可行的時間范圍內解決這一問題！

它的目標就是，分析天空中任意天體的光變曲線，并將其分類為靜態源、新星/明亮瞬變源、雙星系統或脈動光源。

具體來說，Paz采用卷積操作和變換技術來提取高細節特征，讓模型能夠有效檢測到周期性和非周期性的亮度變化。

為此，他專門設計了VARnet模型，能夠快速識別天體時間序列數據中的真實變異性。

對于每條約含2000個數據點的光變曲線，在一張22GB顯存的GPU上，VARnet處理速度大于53微秒/天體。

但訓練VARnet需要大量訓練數據。為此，Paz專門為每類目標光源開發了一個精準的合成光變曲線生成器，以便為這一復雜模型提供無限量的訓練樣本。

生成一條完整的合成光變曲線樣本的步驟如下：

1. 構造一個基礎亮度函數f(t) 

2. 按照WISE的觀測節奏（采樣間隔）對該函數進行采樣

3. 加入高斯噪聲  ，其中噪聲方差為亮度函數的某種函數形式

偽代碼詳見算法2。

這一方法論（見圖1）實現了極快的運行速度，并在測試集上表現出高精度和強性能，最終生成了高質量的異常目標列表。

原文圖1：異常檢測流程示意圖

整個流程如下：

（1）收集并預處理數據

采用基于密度的方法，對單次曝光源目錄中的天體顯現（apparitions）進行空間聚類，以及一系列數據變換，提高數據質量。

（2）設計并訓練信號處理模型VARnet，能夠快速識別天體時間序列數據中的真實變異性。

VARnet使用一維小波分解來最大限度地降低異常數據對分析結果的影響，并對離散傅里葉變換（DFT）進行了創新性的改進，從而快速檢測周期性并提取時間序列特征。

VARnet將這些特征分析整合，利用機器學習實現對天體類型的預測，主要依賴卷積神經網絡。

VARnet模型的完整結構

VARnet模型的完整結構如上圖所示。

整個模型統一采用ReLU激活函數，開始包含三個卷積層，用于處理信號，并將其壓縮為三通道，送入傅里葉特征提取模塊。在模型實際運行中，最終的輸出向量會經過softmax操作，使預測結果可以被解釋為概率形式，并按置信度進行排序

（3）利用VARnet識別出新的異常天體并人工檢查預測結果。

他還驗證了，VARnet對已知及新發現的變星源均具有高度的敏感性與準確性。

果然，VARnet產生了一些有趣的探測結果！

首先，它以極高的置信度，恢復了許多已知物體。

比如，食變星V* V1403 Ori就被成功識別出來了，置信度超過0.99。

另一個被精妙識別出來的，就是食雙星系統CRTS J054306.5?024247。

而且，VARnet還發現了全新的天體。

位于J2000赤經/赤緯1.53483°，?59.08751°的天體，就被VARnet標記為變星候選體。經檢索發現，該天體在現有文獻或任何星表中均無相關記錄。

甚至，模型還發現了一顆超新星！

在J2000 赤經/赤緯 31.40235°，?61.05673°處，模型標記了一個天體為瞬變活動源，經比對，該天體對應星表中記錄的星系LEDA 358365。

2023年6月，該天體曾出現快速變亮的現象；而在WISE的下一次觀測中，其亮度又恢復至平均水平（見下圖）。

在對瞬變事件目錄進行檢索后，可以發現，該事件與AT 2023lkp的觀測記錄相符。

考慮到該事件的持續時間及其起源于該星系的事實，Paz等人判斷：這很可能是一顆超新星。

如果對具體的細節感興趣，不妨參閱原文。