3天遍历1亿哈勃档案数据，欧洲航天局提出AnomalyMatch，发现千余个异常天体

当前，天文学进入数据密集时代，多波段、大视场的巡天项目正在推动这一进程。

新一代设施如欧几里得望远镜等将系统性发现稀有天体，产生大量天体图像与光谱数据。

稀有天体对星系演化模型、引力理论及宇宙学参数的检验具有关键作用，但其发现依赖于偶然性目视识别，效率低下。

传统有监督机器学习方法面临稀有天体标记样本有限和数据类别不平衡的挑战。

研究团队提出AnomalyMatch方法，将稀有天体检测定义为半监督二分类问题，结合主动学习，利用少量标记样本高效检测稀有天体。

AnomalyMatch方法在哈勃遗产档案中完成了系统性异常天体筛查，发现了大量新星系合并、引力透镜候选体等。

该方法的处理效率与准确性高，仅需2至3天完成全数据分析，展现了其在未来超大规模巡天数据处理中的潜力。

研究使用的标准化数据集源自哈勃遗产档案，构建了包含约9,960万张单源切图的图像库。

AnomalyMatch结合半监督与主动学习，能够在仅依赖极少量已知异常样本的情况下，高效挖掘未标记数据中的稀有目标。

该框架成功发现了大量新的并合星系、引力透镜等稀有天体，证明了其在处理下一代超大规模巡天数据中的关键价值。

AI技术正在重塑现代天文学，企业界也积极参与，推动科学任务的设计与实施。

未来，智能算法与创新平台的结合将推动天文学向数据与算法共同驱动的新时代发展。