一项使用中国 FAST 望远镜数据的 AI 实验，先筛选脉冲星候选信号的精简表示，再投入算力作更完整的检查。[1] 筛选安排在哪一步，与预测本身同样重要。
这为理解科学研究中的 AI 提供了一个切入点：在一连串测量与处理步骤中，模型学到的判断能力适合放在哪里？放在后段，研究人员便有机会少打开一张诊断图；放在前段，计算机也能少做一些运算。与此同时，提前剔除信号的决定需要更仔细地核查，因为被舍弃的信号就此退出了后续检查。
先让脉冲显现出来
FAST 的庞大体量直观可见。它的碟形反射面坐落在贵州群山之间，上方的资料照片摄于 2024 年 9 月，记录了设施维护时的样貌。FAST 于 2020 年 1 月正式运行，2021 年 3 月向国际科学家开放。[5] 从记录下来的信号到一项可信的发现，中间还有一连串计算，藏在照片之外。
脉冲星是自转的中子星，搜寻脉冲星，就是寻找信号中反复出现的规律。折叠是按一个试探周期，将时间序列依次切成若干段，再把各段中相同位置的数据叠加起来。微弱而有规律的脉冲由此累积，不规则噪声则相对减弱。试探周期选得是否合适至关紧要：叠加的节奏一旦错位，信号就会被抹散。Morello 及其同事在 2020 年的研究中，说明了使用快速折叠算法（Fast Folding Algorithm）直接在这类折叠信号中搜索时的灵敏度。[4]
可以想象，在一张张透明薄片上描摹同一个浅淡的印记。将薄片准确对齐，印记就会加深。这个比喻说明了信号如何累积；实际搜索还要应对干扰，并逐一考察一系列待检验的周期，所面对的节奏仍有待确定。
开源工具包 PRESTO 展示了这前后的处理工作。它的文档分别介绍了干扰处理、信号到达时间随频率变化所产生延迟的校正、周期性脉冲或单个脉冲搜索，以及候选信号折叠。rfifind、accelsearch 和 prepfold 等工具，各自负责其中的不同环节。[2] 找到一个值得关注的周期，与检查由此产生的候选信号，是两项独立的计算任务。
有选择地投入精细计算
在 2025 年 11 月 7 日发表的一篇论文中，Qiuyang Fu 与一支有中国国家天文台成员参与的国际团队，测试了将筛选提前的做法。他们的流程先把沿频率维度求和后的时间序列数据折叠成小型“快照”候选信号，再由训练好的分类器选出候选，进入后续的全量数据折叠。这一步保留了时间和频率信息。[1]
在对球状星团 NGC 5904 的一次 30 分钟 FAST 观测中，分类器阈值设为 0.5，536 组候选中有 74 组进入全量数据折叠，全部七颗已知脉冲星的候选信号均获保留。搜索覆盖了该星团的已知色散范围。另一项验证使用了来自 FAST、Parkes 和 Arecibo 的 3,000 个候选组成的子集，保留了 98.44% 的真实脉冲星候选。候选处理量、分类召回率与总运行时间，衡量的是不同方面。[1]
这一做法的实际吸引力，在于调整了运算的先后次序。好比修复师在委托高分辨率扫描之前，先查看一整版接触印相样张：用成本较低的初步查看，决定哪些影像值得更细致地检查。这个比喻也带出了筛选的责任。有用的过滤步骤必须保留值得研究的信号，其中也包括那些与训练样本差异较大的信号。
FAST 已有 AI 参与的工作流程
这项实验接续了中国已有的科研实践。北京大学对韩金林 2025 年 6 月 6 日讲座的第一手记录介绍，FAST 银道面脉冲星快照巡天将自身的观测策略、完整的数据处理系统与 AI 辅助候选识别结合起来。韩金林当时报告，该巡天已发现超过 760 颗新脉冲星。[3]
这一发现总数归属于该巡天，Fu 团队随后开展的实验有其单独的结果。同样，巡天中的“快照”观测模式减少了切换观测位置所需的时间，本文讨论的精简候选则是数据处理中的一种表示形式。[1][3] 相近的用语之下，调整的环节相距甚远。
北京大学的报道还记录了听众对 AI 和巡天完备性的提问。[3] 这两个问题紧密相连。发现数量告诉我们找到了什么；完备性追问的是，一套观测和处理策略能够发现目标群体中的多大一部分。流程提速自有价值，第二个问题仍需另外检验。
遗漏的天体同样重要
Morello 的研究说明，谨慎审视筛选还有更深一层的理由：搜索算法本身的灵敏度就有差别。其分析发现，在研究所考察的条件下，快速折叠算法对周期信号的搜索能够接近最优灵敏度，表现优于采用非相干谐波求和的标准傅里叶搜索。[4] 分类器接收的是上游方法生成的候选信号；一个天体能否进入分类器的视野，首先取决于上游搜索能否将其列为候选。
综合这些来源，下一步最有说服力的验证，应当呈现从头到尾的完整过程。在相同的观测数据和硬件上，分别运行原有流程与改进流程，记录处理耗时、保留下来的候选数量、研究人员的检查时间，以及检出的信号。再按明确列出的亮度、周期和脉冲形状范围注入模拟信号，并抽查一部分遭到剔除的候选。这些属于检验建议，本文将其作为下一步设想提出。
这样的检验才能分辨，省下的计算量究竟换来了更广的搜索范围，还是仅仅缩短了待查队列。对于中国的科学 AI 研究，FAST 提出了一个具体的实用标准：让仪器采集的数据得到更多有价值的审视，同时记录简化流程所面临的漏检风险。科学成果既在于经得起检查的发现，也在于筛选之后仍然保有的灵敏度。
来源
- Qiuyang Fu 等，《利用人工智能提高下一代脉冲星巡天的搜索效率》，《皇家天文学会月刊》，2025 年 11 月 7 日发表；介绍处理流程及限定范围内的评估。
- Scott Ransom 及贡献者，PRESTO 代码库文档；介绍数据准备、搜索与候选折叠工具，访问日期为 2026 年 9 月 14 日。
- 北京大学物理学院，韩金林关于 FAST 脉冲星搜寻与发现的讲座报道，2025 年 6 月 9 日；对 6 月 6 日活动的第一手中文记录。
- V. Morello 等，《最优周期性搜索：重新审视面向大规模脉冲星巡天的快速折叠算法》，2020 年；作者关于折叠与搜索灵敏度的论文。
- 新华社，《八年来，中国 FAST 望远镜持续为全球射电天文学研究作出贡献》，中国科学院，2024 年 9 月 26 日；介绍运行历程，并刊载刘续于 9 月 25 日拍摄的资料照片。