Radio Astronomy visibility data discovery and access using IVOA standards
加强无线电数据的互操作数据访问已成为国际虚拟天文台联盟（IVOA）的一个科学优先事项。这导致了IVOA射电天文学兴趣小组的成立。一些射电天文学家和项目科学家参加了各种项目（NRAO、ASKAP、LOFAR、JIVE、ALMA、SKA、INAF、NenuFAR等）。加入了。他们正在共同为更好地将其服务集成到虚拟天文台（VO）基础设施中铺平道路，并建议扩展IVOA标准以帮助实现这一目标。校准的无线电数据集，如立方体，图像，频谱和时间序列，已经可以使用IVOA中定义的ObsCore/ObsTAP规范或SIAv 2，SODA，SSA和ConeSearch等数据产品特定服务进行搜索和检索。然而，无线电能见度数据的属性还没有完全实现在VO景观。我们需要特定的功能来完善数据发现和选择，以适应射电天文学家的需要。在这种情况下，斯特拉斯堡天文学中心（CDS）的VO团队建议考虑ObsCore/ObsTAP规范，并在ObsCore和现有的测量集（MS）元数据配置文件之间建立交叉通道，用于无线电可见度数据（VD）的数据发现。为了考虑VO的无线电VD数据集和科学就绪数据集之间的粒度差异，该方法将MS数据文件拆分成由ObsTAP服务服务的数据集列表，从而实现多波长上下文中的粗粒度发现。还通过添加列元数据或通过使用DataLink技术来提供无线电特定元数据，诸如天线数量、频率范围、$uv$平面覆盖图、频率-相位…
2020-12-16 astro-ph.IM
Data Driven Discovery in Astrophysics
我们回顾了数据密集型天文学的现状、方法和一些突出的数据分析挑战。天文学处于“大数据”科学的前沿，数据量和数据速率呈指数级增长，复杂性不断增加，现在进入Petascale政权。来自地面和太空的望远镜和天文台，覆盖了整个波长范围，通过处理管道将数据输入专用档案，在那里可以访问它们进行科学分析。大多数大型档案通过虚拟天文台框架连接，该框架提供互操作性标准和服务，有效地构成了全球天文学数据网格。在这种过剩的数据中进行发现需要应用新的机器学习工具。我们描述了这种应用程序的一些最近的例子。
2014-11-01 astro-ph.IM
The automation of optical transient discovery and classification in Rubin-era time-domain astronomy
Northwestern University（西北大学）；Center for Interdisciplinary Exploration and Research in Astrophysics (CIERA)（天体物理学跨学科探索与研究中心）；University of Minnesota（明尼苏达大学）；California Institute of Technology（加州理工学院）
本文探讨了Rubin时代光学时间域天文学中瞬变发现与分类的自动化发展，分析了现有工作流程的现状，并提出了加速自动化的建议。
2025-12-12 astro-ph.HE astro-ph.IM
Machine Learning Assisted NEO Discovery and Polarimetric Characterisation with Astronomical Surveys
University of Groningen（格罗宁根大学）；Stellenbosch University（斯泰伦博斯大学）；ESA Near-Earth Object Coordination Centre（欧洲空间局近地天体协调中心）；Lunar and Planetary Exploration, LPE/TUM（月球与行星探索，LPE/慕尼黑工业大学）；Space Exploration Institute (SPACE-X)（太空探索研究所（SPACE-X））；Observatoire Astronomique de Strasbourg（斯特拉斯堡天文台）；Delft University of Technology（代尔夫特理工大学）；Universidad de Alicante（阿利坎特大学）；Universitat de Barcelona（巴塞罗那大学）；Armagh Observatory and Planetarium（阿尔马赫天文台和天文馆）；Division of Space Technology, Luleå University of Technology（鲁勒理工学院空间技术系）；Laboratory of Astrophysics, École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院天体物理学实验室）
利用机器学习技术处理天文调查数据，发现近地天体并分析其偏振特性，提升行星防御与科学研究能力。
2026-04-03 astro-ph.IM
Advanced Astrophysics Discovery Technology in the Era of Data Driven Astronomy
经验表明，机构天体物理学如何处理数据驱动的科学和发现技术的发展方面的结构性问题可能会阻碍社区有效应对快速变化的环境的能力，在这种环境中，日益复杂的异构数据集正在挑战我们现有的信息基础设施和传统的分析方法。我们正处于多信使科学、数据和处理能力的远程共址以及基于小型航天器的新观测战略的新时代的交汇点。社区需要做出重大努力，以适应这种快速发展的可能发现模式。在建议创建一个新的天体物理学元素，高级天体物理学发现技术，我们提供了一个肯定的解决方案，将发现技术的可见性置于我们建议的与其对该领域未来的重要性完全相称的水平。
2019-07-24 astro-ph.IM physics.comp-ph
Knowledge discovery through text-based similarity searches for astronomy literature
研究人员数量的增加，加上科学论文的出版和分发（由于技术进步）的便利，导致天文学文献急剧增加。这可能导致了这样的困境，即文献的主体对于传统的人类消费来说太大了，并且相关的和关键的知识没有被研究人员发现。除了天文学文献的增加，近几十年来也带来了计算语言学的一些进步。特别是，文献传播的机器辅助处理可能使将这些论文流转换为一个连贯的知识集成为可能。本文介绍了计算语言学技术在天文学文献中的应用。特别是，我们开发了一个工具，可以从输入的论文中纯粹基于文本内容找到类似的文章。我们发现，我们的技术执行鲁棒性与其他工具相比，推荐文章的参考文件（称为推荐系统）。我们的新工具显示了将计算语言学与天文学文献相结合的巨大力量，并表明在这方面的进一步研究可能会产生更好的工具，帮助研究人员应对产生的大量知识。
2018-08-20 astro-ph.IM cs.DL
Investing for Discovery in Astronomy
我们应该如何投资我们现有的资源，以最好地维持天文学在过去几十年中建立的发现记录？两个强有力的提示来自（1）我们的天文学发现历史和（2）文献引用模式，这些模式揭示了科学中的发现和发展活动是团队规模的强大功能。这些人认为，天文学的进步取决于对团队规模、研究工具和平台以及鼓励冒险的投资策略等方面的多样性研究工作的支持。这些想法也鼓励我们研究过去几十年天文学中“大团队科学”和“调查科学”趋势的含义，并重新考虑天文学进步总是意味着“交易”更大的孔径和设施的常见假设。相反，上面的考虑表明，我们需要在小型到大型的计划和大型和小型的团队规模上进行平衡的投资。大型团队倾向于发展现有的想法，而小型团队更有可能通过颠覆性的发现来推动未来。虽然大型设施是保证产生发现的“价值”投资，但较小的设施是“增长股”，可能会带来最大的科学爆炸，有时会带来巨大的回报。一种促进冒险的方法是增加观察的机会，即，创造更多的观测之夜，促进对科学数据的探索。
2019-07-25 astro-ph.CO astro-ph.GA astro-ph.IM
ESASky : A Science-Driven Discovery Portal for Space-Based Astronomy Missions
在“大数据”时代，随着web 2.0技术的出现，ESASky（http：sky.esa.int）旨在提供一种现代化的可视化方式，以获取天文科学准备就绪的数据产品和元数据。该应用程序的主要目标是简化科学界与过去几十年来从最重要的天文学任务中收集的不断增长的数据量之间的互动。ESASky的概念是为更传统的以表格为导向的天文数据利用提供补充科学应用，允许采用更自然和直观的方法，并能够在整个电磁波谱上探索天文物体。为了实现这一目标，ESASky为越来越多的任务和调查提供了一组天文数据的多波长接口，旨在成为在不同能量范围内执行视觉分析和交叉匹配的单点入口。大量的努力已经投入到一个用户友好的，响应式图形用户界面（GUI）的设计，通过定义和优化的算法背后提供的每个视觉功能。在这方面的贡献，我们详细介绍了设计和解决方案，在发展过程中出现的技术挑战。我们介绍了最新版本的ESASky中实现的数据服务和功能（v2.1），包括一个任务规划工具，以支持目前的詹姆斯韦伯空间望远镜（JWST）规划，搜索太阳系天体观测的可能性（行星、彗星和卫星），SAO/NASA天体物理数据系统（ADS）发布系统在ESASky GUI中的整合，以及检索在天空的特定区域内可用的元数据和数据产品。
2018-11-26 astro-ph.IM
Building Trustworthy Machine Learning Models for Astronomy
天文学正在进入一个数据驱动的发现时代，部分原因是现代机器学习（ML）技术使强大的新方法能够解释观测结果。我们科学方法的这种转变要求我们考虑我们是否可以信任黑匣子。在这里，我们概述了ML模型开发中经常被忽视的一个步骤的方法：在算法中建立社区信任。信任不仅是创建更强大的数据分析技术的重要因素，也是在天文学界建立信心以接受机器学习方法和结果的重要因素。
2021-11-29 astro-ph.IM
Data challenges of time domain astronomy
十多年来，天文学一直处于数据密集型科学技术和方法论发展的最前沿，开展了大型天空调查和虚拟天文台等分布式工作。然而，它面临着新的数据洪流与下一代天气天空调查，这是开放的时间域发现和探索。这既带来了新的科学机遇，也带来了新的挑战，包括机器人望远镜的数据速率和关联数据的指数复杂性，以及用于分类和决策的数据挖掘算法。在本文中，我们描述了如何以信息学为基础的方法，所谓的“第四范式”的科学发现的一部分，正在出现，以处理这些。我们回顾我们的经验与Palomar-Quest和Catalina实时瞬态巡天，特别是，解决与瞬态天文事件（和其他传感器网络）相关的数据的异质性问题，以及如何管理和分析它。
2012-08-13 astro-ph.IM
Scientific Visualization in Astronomy: Towards the Petascale Astronomy Era
天文学正在进入一个新的发现时代，同时建立了新的观测和模拟设施，这些设施将定期产生PB级的数据。虽然预计将越来越依赖自动化数据分析，但基于可视化的知识发现仍将发挥关键作用。我们已经调查了科学可视化在天文学中的应用，通过检查在过去的二十年中发表的文献。我们确定了两个最活跃的领域的进展-大N粒子数据和光谱数据立方体的可视化-讨论开放的研究领域，并介绍了天文数据源和通用可视化工具中使用的数据表示之间的映射。我们讨论的贡献，使用高性能计算架构（例如：分布式处理和GPU），协作天文可视化，使用工作流系统来存储有关可视化参数的元数据，并使用先进的交互设备。我们研究了一些可能限制天文学科学可视化研究传播的问题，并确定了Petascale天文学时代科学可视化研究面临的六大挑战。
2011-02-24 astro-ph.IM cs.GR
Scientific Data Mining in Astronomy
我们描述了数据挖掘算法在天文学研究问题中的应用。我们认为，数据挖掘一直是天文学研究的基础，因为数据挖掘是基于证据的发现，包括分类，聚类和新颖性发现的基础。这些算法代表了在大型数据库中发现的一套主要计算工具，这在数据密集型天文学时代将变得越来越重要。回顾了天文学数据挖掘的历史实例，然后讨论了预计在未来十年中最大的数据生产项目之一：大型综合巡天望远镜（LSST）。为了促进天文学中数据驱动的发现，我们设想了一种新的天文学和天体物理学面向数据的研究范式-天体信息学。天文信息学被描述为现代数据密集型天文学的一种研究方法和教育必要性。大型时域巡天（如LSST）的一个重要应用领域是实时天空事件（包括移动物体、光度可变物体和瞬变现象）的快速识别、表征和分类。我们描述了一个可能的实现的分类代理这样的事件，它结合了几个天体信息学技术：用户注释，语义标记，元数据标记，异构数据集成，分布式数据挖掘。这些类型的合作分类和发现的方法在其他科学学科的例子。
2009-11-03 astro-ph.IM cs.DB cs.IR
Scheduling Discovery in the 2020s
21世纪20年代将是天文学历史上数据最丰富的十年。随着我们调查的规模和复杂性的增加，调度问题变得更加关键。我们必须开发高质量的调度方法，将其作为开源软件来实现，并开始将观察和数据分析这两个通常独立的阶段联系起来。
2019-07-17 astro-ph.IM
Pioneering the Exascale era with Astronomy
SURF是荷兰教育和研究的协作ICT组织，并协调国家电子基础设施（surf.nl）。为了加速科学发现，SURF为荷兰的研究人员投资、运营和探索高端IT解决方案。在这篇ADASS 2019投稿中，我们介绍了我们在高性能和高吞吐量云计算方面的最新进展。这些发展与天文学特别相关，因为这一科学领域：（i）生成大型（PB大小）数据集，（ii）使用快速发布和部署软件计划，（iii）需要灵活和交互式的测试和分级环境，（iv）需要在不同的数据结构上执行复杂的工作流程。我们强调了我们新的基于OpenStack的云基础架构层，并重点介绍了Spider，这是我们为SURF的高吞吐量数据处理平台新增的功能。
2020-05-12 astro-ph.IM
Ground-based detectors in very-high-energy gamma-ray astronomy
自1912年Victor Hess发现宇宙射线以来，经过了70多年的时间和无数的技术发展，才于1989年对第一个甚高能伽马射线源进行了明确的探测。自这一发现以来，极高能伽马射线天文学领域经历了一场真正的革命：第二代，然后是第三代仪器被建造出来，从地面观察大气级联，要么通过它们组成的大气切伦科夫光，要么通过直接探测它们携带的带电粒子。目前的阵列比开创性的实验灵敏100倍，已经探测到大量各种类型的天体物理源，从而打开了非热宇宙的新窗口。新的，更敏感的仪器目前正在建造中;这些将使我们能够进一步探索这个迷人的领域。在这篇文章中，我们描述了探测技术，该领域的历史和前景的地基甚高能伽玛射线天文学的未来。
2015-11-02 astro-ph.HE astro-ph.IM
Surveying the reach and maturity of machine learning and artificial intelligence in astronomy
机器学习（通过示例学习以分类，预测，发现或生成新数据的自动化过程）和人工智能（计算机做出通常需要人类智能的决策或发现的方法）现在已经在天文学中牢固确立。每周，机器学习和人工智能的新应用都会被添加到不断增长的工作中。随机森林，支持向量机和神经网络（人工，深度和卷积）现在对发现太阳系外行星，瞬变物体，类星体和引力透镜系统，预测太阳活动以及区分引力波天文学中的信号和仪器效应等各种应用产生了真正的影响。这篇综述调查了当代已发表的关于天文学和天体物理学中机器学习和人工智能的文献。应用程序跨越七个主要活动类别：分类，回归，聚类，预测，生成，发现和新的科学见解的发展。随着机器学习和人工智能的出现、发展或确立，这些类别构成了成熟度等级的基础。
2019-12-06 astro-ph.IM
Discovery & Depth
在美国，国家科学基金会（NSF）预计资金不会增长，已委托对NSF资助的天文学资产进行审查，目的是确定如何最好地分配这十年的资金。美国社区成员的意见被征求。这是一个简单的算术问题，对于固定的资金水平，Astro 2010的许多重要愿望无法实现。在这里，接受上述边界条件，我专注于以光学天文学为中心的领域，这些领域在这十年中提供了最好的进步机会，从而提供了最高的成本效益比。读者可以从阅读前七部分中获益。
2012-02-13 astro-ph.CO astro-ph.IM
Towards a Resource-Centric Data Network for Astronomy
在过去的十年中，天文学家一直在使用越来越多的基于网络的应用程序和档案来进行研究。然而，尽管在创建跨项目和数据中心的链接方面取得了初步成功，但事实证明，支持天文学电子科学的单一集成数字图书馆环境的前景是难以捉摸的。虽然阻碍这一领域取得进展的一些问题是技术性的，但另一些问题的根源在于现行政策，如果要在这一领域取得进一步的迅速进展，就应重新分析这些政策。本文介绍了一个建议，美国宇航局天体物理学数据系统项目已提出，以改善其作为天文学家的主要发现门户网站之一的作用，侧重于那些方面，可以受益于从社区的参与程度增加，即努力暴露天文学资源的链接数据，和观测元数据的收获。
2010-05-11 astro-ph.IM
ADS Labs - Supporting Information Discovery in Science Education
SAO/NASA天体物理学数据系统（ADS）是一个面向天文学和物理学研究人员的开放式数字图书馆门户网站，由史密森天体物理学天文台（SAO）在NASA的资助下运营，成功地为专业科学界服务了二十年。目前，约有55，000名频繁用户（每年100多个查询），每年有多达1000万名非频繁用户。公众访问现在占所有ADS使用量的一半左右，这表明我们数据库中的内容覆盖面很广。ADS中内容的可见性和使用可以通过以下事实来衡量：从维基百科页面到ADS内容的链接超过17，000个，这个数字与维基百科到OCLC WorldCat目录的链接数量相当。ADS通过其在ADS实验室（http：//www.example.com）中的资产和创新技术，提供了一个不同于天体物理学界目前提供的任何其他服务的信息发现环境。adslabs.org文献发现和回顾是科学教育的重要组成部分，有助于准备课程，项目或演示的过程。ADS已被公认为天文学科学教育界的丰富信息来源，这要归功于它在天文学界、出版商和Com-PADRE等项目中的合作。使ADS与科学教育界具有独特相关性的一个因素是提供了强大的工具来探索天文学文献的各个方面以及主题，人员，观测和科学论文之间的关系。另一个要素是广泛的扫描文献库，其中很大一部分是历史文献。
2012-10-02 astro-ph.IM cs.DL
Big and Small
技术引领天文学的发现，就像在所有其他科学领域一样，因此技术的发展导致了新发现的不断涌现，这使得我们的领域如此迷人。德里克德索拉价格分析了发现过程中的科学在20世纪60年代，他介绍了术语“小科学”和“大科学”的一部分，他的讨论的作用，指数增长的科学。我将展示天文学设施的发展是如何随着一个领域的成熟而遵循从“小科学”到“大科学”的同样趋势的。我们可以从导致诺贝尔天文学奖的发现中看到这一点。对射电天文学发现的更详细的分析表明了同样的效果。我包括一个题外话，看看科学是如何进步的，比较预测，偶然发现，测量和解释的作用。最后，我评论了物理学和天文学中的“大科学”文化之间的差异。
2010-04-24 astro-ph.IM physics.pop-ph
Techniques of Radio Astronomy
本章概述了射电天文学的技术。这项研究始于1931年，当时央斯基发现了宇宙的辐射，但快速进展的时期开始于15年后。从那时到现在，波长范围从几米扩展到亚毫米，角分辨率从度增加到比毫弧秒更精细，并且接收器灵敏度大大提高。今天，孔径合成技术产生的图像与最好的光学设备所获得的图像相当或超过这些图像。除了技术进步，无线电领域的科学发现也为我们打开宇宙的新视野做出了很大贡献。世界各地有许多国家无线电设施。在不久的将来，一个真正的全球无线电观测站的新时代将开始。本章包含了一个简短的历史，该领域的发展，校准程序的细节，相干/外差和非相干/测辐射热计接收器系统，单孔径和干涉仪的观测方法，以及孔径合成的概述。
2011-11-04 astro-ph.IM
From Dark Energy to Exolife: Improving the Digital Information Infrastructure for Astrophysics
今天天文学研究的一些最令人兴奋和最有前途的领域是在学科的边界：寻找系外行星和多信使天文学。为了在未来十年在这些研究领域取得突破，需要创新和扩展支持这项研究的数字信息基础设施。天文学一直很好地服务于一个开放的，分布式的数据中心和档案网络的存在。然而，体制障碍和不同的研究文化阻碍了跨学科的合作，造成了知识的分散和研究活动的各自为政。这种情况必须改变，以便更广泛的科学家共同努力，解决我们最雄心勃勃的十年挑战。跨学科的调查是最好的支持，把研究人员聚集在一起，在信息发现的水平。为了跨越传统的学科孤岛，我们必须允许科学家探索新的想法，并获得新的数据和知识。最好通过提供发现平台来实现这一点，使他们能够探索和连接文献中的不同研究线索，识别专家社区，访问和分析相关的已发布数据集，测量和目录。
2019-03-01 astro-ph.IM
pathfinder: A Semantic Framework for Literature Review and Knowledge Discovery in Astronomy
Pathfinder利用大语言模型和35万篇论文语料库，通过语义搜索替代关键词检索，实现天文学文献综述与知识发现，并支持多场景应用与结果定制。
2024-08-02 astro-ph.IM cs.DL cs.IR
BRICS Astronomy and the United Nations Open Universe Initiative
电子连接、便携式设备和网络的几乎普遍可用性正在带来一场重大革命：所有人都能迅速获得各种信息，几乎改变了世界各地的社会、经济和文化生活。互联网技术代表了数据生产者和用户之间前所未有的非凡双向沟通渠道。“开放宇宙”是向联合国和平利用太空委员会（外空委）提出的一项倡议，目前正在联合国太空事务厅（外空厅）的领导下实施。其主要目标是促进大幅增加空间科学数据的提供和使用，将科学发现的潜力扩展到世界各地的新参与者。本文介绍了该倡议的一般情况，为证明其可行性而开展的一些活动，以及在金砖国家天文学计划中的使用。
2020-06-13 astro-ph.IM
The VO: A powerful tool for global astronomy
自2000年初成立以来，作为许多国家和国际项目合作开发的虚拟天文台（VO）已成为发现和传播全球天文信息的主要因素。IVOA一直在协调世界各地的所有这些努力，以确保一个共同的VO框架，使世界各地的天文学资源（数据和软件）能够透明地访问和互操作。VO并不是所有天文数据管理挑战的神奇解决方案，但它确实在许多领域带来了有用的解决方案，这一事实证明了VO接口广泛存在于全球天文学主要数据中心和项目中。天文学数据中心一直在其现有数据服务之上构建虚拟组织服务，以提高与其他符合虚拟组织标准的数据资源的互操作性，从而利用虚拟组织应用程序的持续和不断发展。VO的应用使多仪器和多波长科学，天文学的一个困难和富有成效的部分，变得更加容易。最近，几个主要的新天文学项目直接采用VO标准来构建其数据管理基础设施，从而产生了VO内置档案。从一开始就采用VO框架带来了双重好处，即不需要重新发明轮子，并从一开始就确保与其他天文学VO资源的互操作性。一些IVOA标准也开始被行星科学等邻近学科使用。VO还有很多工作要做，特别是应对即将到来的大数据挑战，以及如何为新的数据分析范式找到可互操作的解决方案，使软件接近数据并运行。
2018-03-20 astro-ph.IM
ESA Sky: a new Astronomy Multi-Mission Interface
我们为所有ESA天文任务提供了一个科学驱动的发现门户网站，称为ESA Sky，允许用户探索多波长天空，并从Web应用程序中无缝检索所有ESA天文任务档案中的科学就绪数据，而无需事先了解任何任务。该服务的第一个公开测试版已经发布，目前具有一个用于探索多波长天空和用于科学就绪成像数据和目录的单个和/或多个目标搜索的界面。未来的版本将能够检索光谱，并将有特殊的时域探索功能。从技术角度来看，该系统使用CDS开发的称为HiPS的新一代HEALPix投影，提供完整任务数据集的渐进式多分辨率全天空投影;详细的几何足迹，将全天空马赛克与单个观测联系起来;以及直接访问底层特定任务科学档案中的科学就绪数据。
2015-12-02 astro-ph.IM
A Comprehensive Network for the Discovery and Characterization of Interstellar Objects
Vanderbilt University（范德堡大学）；Harvard University（哈佛大学）
本文提出CISON网络，通过整合宽视场发现与高分辨率表征，提升星际物体的预测性分类和拦截任务能力。
2026-01-29 astro-ph.EP astro-ph.GA astro-ph.IM
Knowledge Graph in Astronomical Research with Large Language Models: Quantifying Driving Forces in Interdisciplinary Scientific Discovery
本研究利用大语言模型从1993至2024年近30万篇天文学论文中提取概念并构建知识图谱，量化了数值模拟与机器学习的影响，揭示AI与天文学交叉领域新概念匮乏是当前制约机器学习进一步变革天文学的瓶颈。
2024-06-15 astro-ph.IM cs.DL
ESASky: The whole of space Astronomy at your fingertips
ESASky是一个新的科学驱动的发现门户网站，适用于所有欧空局天文任务，使全球用户能够简化访问欧空局和其他数据提供商的高水平科学就绪产品。该工具具有天空探索界面和单/多目标界面，并且不需要事先了解每个任务的具体细节。用户可以在多个波长下探索天空，快速查看目标的可用数据，并检索相关产品，只需点击几下。该工具的第一个版本于2016年5月发布，提供了对成像数据和一些目录的访问。未来的版本将能够检索光谱数据，并将纳入未来允许时域探索和研究太阳系天体。
2016-10-31 astro-ph.IM
More than half of recent astronomy papers are written with language-model assistance
The Ohio State University（俄亥俄州立大学）；Max-Planck-Institut für Astronomie（马克斯·普朗克天文研究所）
该研究通过分析207,111篇astro-ph论文全文中的语言模型特征词，利用分层贝叶斯模型估计出2025年超过一半（54%）的天文学论文借助语言模型辅助撰写，而仅0.81%的论文明确披露。此方法可追踪AI辅助写作的普及趋势及其随时间衰减的可检测性。
2026-09-11 astro-ph.IM cs.CL cs.DL
LRP2020: Probing Diverse Phenomena through Data-Intensive Astronomy
随着波长和时域观测数据的规模和复杂性不断增加，从这种复杂性中提取信息的算法的发展，以及将这些算法应用于不断增长的数据库的计算能力，数据密集型天文学的时代正在到来。数据密集型方法正在推动几乎所有天文学领域的边界，从系外行星科学到宇宙学，它们正在成为我们如何理解宇宙的关键模式。这些方法的成功范围从发现罕见或意想不到的现象，到描述现在可以通过精确的天体物理学和对数据集的深入统计理解来访问的过程，再到开发最大化可以从任何一组观测中提取的科学的算法。在本白皮书中，我们提出了一系列举措，以最大限度地提高加拿大在这个数据密集型时代的竞争能力。我们建议加入国际合作，并利用加拿大的设施，为遗留数据的潜力。我们建议继续构建更敏捷的计算基础设施，以满足处理更大、更复杂数据的需求，并实现快速原型设计和算法扩展。我们认识到，发展该领域的基本技能将是至关重要的加拿大天文学家，并讨论通过适当的计算和统计培训可能发生的途径。最后，我们注意到，向数据密集型技术的过渡并不局限于天文学，我们应该与其他学科协调，开发和利用方法、基础设施和教育方面的最佳技术。
2019-10-04 astro-ph.IM
The ROAD to discovery: machine learning-driven anomaly detection in radio astronomy spectrograms
University of Amsterdam（阿姆斯特丹大学）；ASTRON, the Netherlands Institute for Radio Astronomy（荷兰射电天文研究所（ASTRON））；Netherlands eScience Center（荷兰电子科学中心）
针对射电望远镜数据增长下的异常检测需求，提出融合自监督学习与监督分类的ROAD框架，在LOFAR数据集上实现实时高精度的常见异常分类与未知异常检测，性能优于现有方法。
2023-07-03 astro-ph.IM cs.AI
Building A Field: The Future of Astronomy with Gravitational Waves, A State of The Profession Consideration for Astro2020
利用引力波天文学的巨大发现潜力需要大胆、深思熟虑和持续的努力来训练和发展必要的劳动力。下一个十年需要一个战略计划，从头开始建立一个强大的，开放的，连接良好的引力波天文学社区，并由传统天文学家，物理学家，数据科学家和仪器专家深度参与。迫切需要这种基本的基础设施作为研究的有利基础。我们为资助机构、大学和专业协会提出了一系列建议，以帮助建立一个繁荣、多样和包容的新领域。
2019-12-16 astro-ph.HE astro-ph.IM
Next-generation Astronomy
我们研究天文学的方式正在发生根本性的变化。在20年的时间里，大多数天文学家可能永远不会接近尖端的望远镜，这将是更有效地运行在服务模式。他们很少分析数据，因为所有的尖端望远镜都有流水线处理器。天文学家们通常不会竞相观测一个特别有趣的天体，而是组成大型联盟，在精心设计的调查中观测大量的天空，每天产生PB级的数据。我们可以想象，天文生产力将比以往任何时候都高。博士生将使用复杂的工具挖掘庞大的调查数据库，对广阔地区的不同波长数据进行交叉关联，并在开始攻读博士学位后的几个月内得出一线天文学结果。现在用于规划观测的专业知识将用于规划对数据库的入侵。实际上，人们将计划使用虚拟天文台进行观测。在这里，我审视了天文学发现的过程，用水晶球来观察它在未来20年内会如何变化，并确定未来的进一步机会，以及确定我们必须保持警惕的陷阱。
2010-09-30 astro-ph.IM physics.hist-ph
OntoPortal-Astro, a Semantic Artefact Catalogue for Astronomy
针对天文学数据生态系统间的差距及语义人工制品（SA）碎片化问题，本文提出OntoPortal-Astro原型目录，以编目、对齐FAIR SA，改善社区词汇管理并促进跨学科数据发现与重用。
2025-07-18 astro-ph.IM cs.DL
Linking to Data - Effect on Citation Rates in Astronomy
带有数据链接的文章和没有数据链接的文章之间的引用率是否存在差异？除了从纯学术的角度来看是有趣的，这个问题也是高度相关的推进科学的过程。数据共享不仅有助于索赔的核实过程，而且有助于在档案数据中发现新的发现。然而，链接到数据仍然远远没有成为一种“实践”，特别是当作者在写作和提交过程中提供这些链接时。你需要有一个意愿和一个出版机制，以创造这样的做法。显示与数据链接的文章获得更高的引用率可能会增加科学家采取额外步骤将数据源链接到他们的出版物的意愿。在这个演示中，我们将展示这确实是这样的情况：与数据链接的文章比没有这样的链接的文章有更高的引用率。ADS由NASA Grant NNX 09 AB 39 G资助。
2011-11-15 astro-ph.IM cs.DL
Applications of AI in Astronomy
California Institute of Technology（加州理工学院）；Heidelberg Institute for Theoretical Studies（海德堡理论研究所）；University of California, Irvine（加州大学尔湾分校）
我们对机器学习（ML）和其他人工智能方法在天文学、天体物理学和宇宙学中的应用进行了简要的、不可避免的不完整概述。天文学进入了大数据时代，在20世纪90年代初进行了第一次数字巡天，并产生了Terascale数据集，这需要自动化许多数据处理和分析任务，例如恒星-星系分离，数百个维度的数十亿特征向量。随着天气巡天和时域天文学的兴起，数据呈指数级增长，由此产生的Petascale数据流以及对实时处理，分类和决策的需求。各种各样的分类和聚类方法已被应用于这些任务，这仍然是一个非常活跃的研究领域。在过去的十年中，我们看到天文学文献呈指数级增长，涉及各种ML/AI应用，其复杂性和复杂性不断增加。ML和AI现在是天文学工具包的标准部分。随着数据复杂性的不断增加，我们预计会有进一步的进步，从而实现人类与人工智能的协作发现。
2022-12-03 astro-ph.IM cs.AI cs.LG
The Durability and Fragility of Knowledge Infrastructures: Lessons Learned from Astronomy
可持续发展结构本身并不耐用或脆弱，但从长远来看，所有这些结构都是脆弱的。耐久性要求对各个组件及其之间的连接进行维护和保养。天文学是研究知识基础设施的理想领域，因为它有着悠久的历史，透明度和几个世纪以来观测数据的积累。本文报告的研究借鉴了对科学数据实践的长期研究，以提出有关天文学数据基础设施的耐用性和脆弱性的问题。研究方法包括访谈、民族志和文献分析。随着天文学已成为一门数字科学，天文学界已投资于共享仪器、数据标准、数字档案、元数据和发现服务以及其他相对耐用的基础设施组件。天文学数据做法的几个特点造成了基础设施的脆弱性。其中包括地面和空间飞行任务之间、巡天和航天器主导项目之间以及观测数据和模拟数据之间的不同存档做法。基础设施各组成部分根据国际协定紧密相连。然而，这些基础设施的持久性依赖于许多无形的工作-编目、元数据和信息专业人员进行的其他劳动。持续投资于这些基础设施的人力和技术组成部分的护理和维护，是可持续性的必要条件。
2016-10-31 astro-ph.IM cs.CY cs.DL
Toward decision-aware AI for LSST-scale time-domain astronomy
Centro Brasileiro de Pesquisas Físicas（巴西物理研究中心）；Laboratorio Interinstitucional de e-Astronomia-LIneA（跨机构电子天文学实验室）；California Institute of Technology（加州理工学院）；University of Delaware（特拉华大学）；INAF–Osservatorio Astronomico di Palermo（意大利国家天体物理研究所巴勒莫天文台）；University of Minnesota（明尼苏达大学）；Stanford University（斯坦福大学）
本文提出将LSST视为部分观测的动态环境，通过基础模型学习源状态表示并采用决策理论策略优化后续观测资源分配，以最大化长期科学价值。
2026-06-03 astro-ph.HE astro-ph.IM hep-ph
