机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

紫东太初与国家天文台联合开发的FLARE模型，能够精准预测恒星耀发事件，提升天文学研究能力。该模型整合了恒星物理属性和历史耀发记录，显著提高了预测准确性，实验结果优于其他模型，未来有望推动宇宙探索。

本研究提出了一种基于机器学习的辐射计校准方法，解决了传统方法中的阻抗不匹配和信号失真问题。通过神经网络建模，显著提高了对21厘米氢线信号的探测精度，为天文学和宇宙学研究开辟了新方向。

本研究提出ORBIT方法，旨在从嘈杂的网络源中高效策划高质量的领域特定数据集，以提升语言模型在特定领域（如天文学）的表现，展示其广泛适用性。

本文介绍了“星语望远镜系统”，利用大型语言模型（LLMs）自动化天文学观测，简化操作、节省时间，提升业余天文学家的参与度。

最近，我在Neutrino7的博客上看到关于用双筒望远镜观星的内容，激发了我对天文学的兴趣。我选择了BOSMA Hunter II 7x50双筒望远镜，今天天气晴朗，我在屋顶观察星空，看到许多星星，感到非常开心。虽然没有使用星图，但我计划先观察几天再识别星座。

本研究解决了传统视觉模型在处理射电干涉图像时的性能不足的问题，提出了利用自监督学习（SSL）来提取射电图像的特征的新方法。研究结果表明，经过自监督学习训练的模型在多个下游任务中显著优于基线模型，尤其是在进行线性评估时，展示了自监督学习在射电天文学数据分析中的重要潜力。

本研究提出AstroM$^3$自监督预训练方法，旨在解决传统天文学模型对单一数据源的依赖问题，提升分类准确性，并展示在多种下游任务中的应用潜力。

本研究探讨了大规模天文调查中检测异常现象的挑战，SNAD项目通过积极学习和机器学习算法推动天文现象的发现与分类，取得了显著进展。

本研究分析了大型语言模型在天文学中的应用，发现其在多种任务中有潜力，但需结合研究者的批判性思维和专业知识，作为辅助工具而非替代品。

研究人员使用专门的天文学数据集评估了专有和开放权重的大型语言模型在天文学领域的性能。结果显示，Claude-3.5-Sonnet模型的准确率达到了85.0%，优于竞争对手。开源模型也得到了快速改进，与一些最好的专有模型竞争。研究人员发现，在非以英语为重点的领域中，模型的性能较差，可能是由于训练数据较少和领域的快速发展。最好的模型表现出良好的校准自信度，为在天文学中实现经济部署提供了新的机会。

ChatGPT的成功率为62.5％，在缺少必要数据的实际问题上的准确率下降至8.3％。研究提出了利用增强学习模型的教材来提升STEM教育的启示，并为人工智能的优势和局限性提供了见解。对教育工作者和研究人员在问题解决和决策制定中与人工智能协作框架有所贡献。

中国科学院上海天文台的研究员葛健带领的国际团队通过深度学习方法，在斯隆巡天三期的数据中发现了107个宇宙早期中性碳吸收线。这一发现刷新了人们对宇宙早期星系演化的认知，证明了人工智能在天文研究中的潜力。研究结果发表于《皇家天文学会月报》。