1. 项目概述当机器学习遇见宇宙“双星”在浩瀚的宇宙中超大质量黑洞的并合是星系演化故事里最激动人心的章节之一。当两个星系相互靠近、最终融合时它们中心的超大质量黑洞也可能成对出现形成所谓的“双活动星系核”。探测这些紧密环绕的“宇宙双星”尤其是角距离小于1角秒的“亲密”对是天体物理学中长期存在的挑战。传统方法无论是依赖光谱中的双峰发射线还是依赖成像中的形态分解在如此小的尺度上都显得力不从心——要么分辨率不够要么信噪比太低难以将两个紧邻的点源与一个复杂延展的宿主星系结构区分开来。欧几里得望远镜的登场改变了游戏规则。它提供了大面积、高灵敏度、高分辨率的巡天数据理论上为我们搜寻这些稀有天体打开了新窗口。然而海量的数据也带来了新问题如何从数以万计的类星体图像中高效、准确地找出那些极少数可能隐藏着伴生AGN的目标这正是我们这项工作的起点构建一个专门为“找茬”设计的卷积神经网络让它像一位经验丰富的天文学家一样在欧几里得的图像中敏锐地捕捉到第二个微弱点源的蛛丝马迹。我在这篇文章里将详细拆解我们基于CNN和欧几里得Q1数据搜寻双AGN的完整流程。这不仅仅是一个模型应用的案例更是一次将前沿机器学习技术与传统天文数据处理深度结合的实战记录。我会从数据模拟、模型构建、训练调优一直讲到在真实数据上的应用、结果验证以及不可避免的“坑”——比如前景恒星的污染、宿主星系光的干扰。无论你是对天文数据处理感兴趣的开发者还是想了解如何将AI应用于特定科学问题的研究者希望这篇超过五千字的“操作手册”能给你带来实实在在的启发和可复现的细节。2. 核心思路与方案设计为什么是CNN以及如何让它“看懂”星空2.1 问题定义与传统方法的瓶颈首先我们必须明确要解决的是一个典型的“小目标检测”问题但有其特殊性。目标第二个AGN通常非常靠近主AGN分离角0.8角秒且亮度可能比主AGN暗数个星等流量比可达1:100。在欧几里得望远镜的图像中一个像素对应约0.1角秒这意味着我们寻找的目标可能只相隔几个像素。传统方法主要有两类但都有明显局限基于测光目录的方法使用像SExtractor这样的源提取软件先独立检测图像中的所有点源再匹配成对。这种方法在分离角较大0.8角秒时有效但当两个源过于接近时测光算法会将其“混合”成一个延展源只生成一个目录条目从而彻底漏检。我们的分析也证实MER欧几里得官方测光目录对于流量比大于2、角距小于0.8角秒的双源系统基本无效。基于形态学的方法例如使用IRAFStarFinder等工具直接拟合点扩散函数。这类方法在分离角较大时精度尚可但在小分离角下两个PSF严重重叠拟合变得极不稳定对噪声非常敏感完整度Completeness急剧下降。因此我们需要一种能够直接处理原始图像数据、学习复杂空间特征、并对轻微的位置和亮度变化具有鲁棒性的方法。卷积神经网络天然适合这项任务。2.2 CNN方案的整体架构与设计哲学我们的核心思路是将问题转化为一个图像分类任务。对于每一张以类星体为中心的图像我们称之为“cutout”CNN需要判断其属于以下三类中的哪一类类别0单AGN图像中心只有一个明亮的点源可能带有宿主星系。类别1双AGN图像中心有一个主点源并在其附近特定距离和方向内存在一个次要点源。类别2透镜状AGN图像呈现典型的引力透镜特征如爱因斯坦环或弧状结构。然而直接使用真实数据训练是不可能的因为我们没有足够多已知类别的双AGN样本作为“标准答案”。这就引出了本项目的关键创新点用高度逼真的模拟数据来训练CNN。设计哲学一模拟数据必须“以假乱真”模拟数据的质量直接决定了模型的性能上限。我们的模拟流程基于欧几里得望远镜的实际观测参数点源模型使用欧几里得VIS波段和NISP波段的精确点扩散函数模型。每个AGN都被建模为一个点源其位置、亮度星等参数可根据需要设定。宿主星系模型真实的AGN通常嵌入在宿主星系中。我们使用Sérsic轮廓指数n在2到4之间有效半径在2-3像素来模拟椭圆星系的光度分布并将其与PSF卷积以模拟望远镜的模糊效应。噪声与背景添加符合欧几里得观测深度的天空背景噪声和读出噪声确保模拟图像的噪声特性与真实数据一致。参数空间采样在合理的物理范围内随机采样关键参数主源星等IE,1在18-23.5之间、次源与主源的星等差ΔIE,21从0到6、分离角从0到0.8角秒、位置角随机。同时也生成大量纯噪声和单AGN带/不带宿主星系的图像作为负样本。通过这种方式我们生成了数万张涵盖各种可能场景的模拟图像为CNN提供了丰富的“教材”。设计哲学二网络结构追求“专而精”而非“大而全”我们没有直接采用ResNet、VGG等通用大型架构。虽然它们在ImageNet上表现卓越但参数量大容易在我们有限的、特征相对单一的模拟数据上过拟合。我们观察了ResNet18的表现其在训练集上准确率高达99%但在测试集和真实数据上产生了大量假阳性这正是过拟合的典型症状。因此我们设计了一个相对轻量化的定制CNN其核心结构包括特征提取层4-5个卷积块每个块包含卷积层、批归一化层、ReLU激活层和最大池化层。卷积核大小从7x7捕捉大尺度特征逐渐减小到3x3捕捉精细特征。全局池化与全连接层在卷积层后使用全局平均池化替代传统的展平操作这能减少参数量并提高对空间位置的轻微变化的鲁棒性。之后连接2-3个全连接层。输出层一个三节点的Softmax层输出图像属于三个类别的概率。这个定制网络在模拟测试集上达到了约92%的准确率更重要的是其在真实数据上表现出了更好的泛化能力假阳性率显著低于ResNet18。3. 模型训练、优化与阈值选择在准确与完整之间走钢丝3.1 训练策略与损失函数我们使用标准的分类交叉熵损失函数。优化器选择Adam初始学习率设为1e-4并采用ReduceLROnPlateau策略当验证集损失在连续多个epoch内不再下降时将学习率减半以精细调整模型。为了防止过拟合除了使用独立的验证集进行早停外我们还采用了强数据增强随机旋转与翻转天体图像在旋转和翻转下物理性质不变这能极大增加数据多样性。添加随机高斯噪声在输入图像上叠加不同水平的噪声让模型对噪声更鲁棒。亮度与对比度微调模拟不同曝光条件或天空背景的变化。一个关键的训练技巧是类别权重平衡。由于双AGN和透镜AGN在模拟数据中也是少数类我们为它们的损失函数设置了更高的权重例如是单AGN类别的3-5倍使模型更关注难例的学习。3.2 后处理物理阈值将网络输出转化为科学结论CNN输出的是概率但我们需要的是明确的“是”或“否”的判断。直接用一个概率阈值比如0.5来分类是粗糙的。我们结合天体物理的先验知识设置了一系列后处理阈值以在高精度低假阳性和高完整度低假阴性之间取得最佳平衡。分类概率阈值我们将网络对类别1或类别2的预测概率之和大于0.9的源初选为候选体。这是一个相当保守的阈值旨在确保候选体有很高的置信度。最小分离角阈值将分离角小于0.15角秒的候选体排除。因为在这个尺度下即使是高分辨率图像两个点源也几乎完全混合CNN的判断极不可靠且与前景污染或星系团块结构无法区分。星等差阈值要求次源与主源的星等差 ΔIE,21 4即次源不比主源暗超过4个星等约40倍流量比。这是基于物理的考虑更暗的伴星即使存在其信号也完全淹没在噪声和宿主星系光中探测到的信号很可能是噪声起伏或结构造成的假象。通过模拟数据我们可以绘制出在不同参数区间分离角、星等差内模型的完整度找到所有真实双源的比例变化图。如图10所示在0.2-0.3角秒分离、星等差小于4的区间内我们的CNN能达到约60%的完整度。而对于分离角大于0.5角秒的目标传统测光方法如SExtractor的完整度可能更高但CNN在小分离角区域的显著优势正是其价值所在。3.3 假阳性分析与控制假阳性是我们需要严密监控和理解的。在我们的上下文中假阳性主要来自两类前景污染视线方向上偶然叠加的前景恒星或星系。它们与主AGN在物理上毫无关联。形态干扰具有不规则、团块状结构的宿主星系其亮结被网络误判为第二个点源。为了量化并控制假阳性我们进行了一项关键的统计实验在观测天区内随机选取2万个小区域运行我们的CNN流程。由于这些区域是随机选取的其中包含物理关联的双AGN的概率极低因此CNN找出的“候选体”基本上可以代表前景污染的期望数量。实验结果表明在考虑了宿主星系光的抑制效应后我们预计在约6000个初始样本中由前景污染导致的假阳性大约有30个。这个数字为我们评估最终候选体列表的可靠性提供了至关重要的背景水平。如果我们在某个分离角区间内发现的候选体数量显著超过这个背景预期那么我们就更有信心认为这些是真实的双AGN信号。4. 在欧几里得Q1真实数据上的实战应用4.1 数据预处理与样本筛选我们从欧几里得Q1释放的数据中选取了约15000个类星体的图像。首先进行严格的筛选以构建一个干净、适合分析的样本主源星等范围限制在IE18-23.5。太亮会饱和太暗则信噪比太低。源延展度限制使用ISOAREA高于检测阈值的像素面积参数剔除ISOAREA 450的非常延展的源。这些通常是低红移的亮星系其复杂的结构会严重干扰双源探测。去重与坐标匹配剔除重复条目并确保类星体坐标与欧几里得探测到的源在0.3角秒内匹配避免位置误差。经过这些筛选我们得到了一个包含5993个类星体图像的最终样本。4.2 CNN分类与候选体初选将预处理后的图像输入训练好的CNN模型设置概率阈值0.9我们得到了265个初选双/透镜AGN候选体。进一步应用物理阈值分离角0.15角秒ΔIE,21 4后候选体数量缩减至49个约占初始样本的0.8%。4.3 进阶验证一测光与颜色分析对于CNN筛选出的候选体尤其是分离角较大0.5角秒的我们可以利用欧几里得的多波段VIS, YE, JE, HE信息进行进一步甄别。核心思想是真正物理相关的双AGN其两个成分应该具有相似的颜色即光谱能量分布因为它们很可能处于相似的红移和物理环境中。PSF拟合测光由于两个源靠得很近直接使用测光目录的孔径测光会因互相污染而不准。我们开发了一个自定义的PSF拟合流程使用photutils.psf模块中的FittableImageModel来建模欧几里得的PSF并在图像上同时拟合两个点源位置固定和一个Sérsic轮廓的宿主星系成分。这样可以更干净地分解出每个源在各个波段上的流量。颜色-颜色图诊断计算每个候选体中主、次源的颜色例如IE-YE vs JE-HE。我们将它们绘制在颜色-颜色图上并与模拟的AGN颜色轨迹随红移变化以及恒星模板的颜色区域进行对比。位于AGN选择区域内的点是AGN的可能性更大。分析发现在分离角大于0.5角秒的候选体中仅有3个系统的两个成分在颜色-颜色图上都落在AGN区域。这强烈暗示大多数大分离角的候选体很可能是前景污染而非物理相关的双AGN。这也与我们的统计污染估计相符。4.4 进阶验证二人工目视检查尽管机器学习很强大但天文学家的“人眼”在复杂形态判断上仍有不可替代的价值。我们对所有5993个输入样本进行了系统的目视检查并将其分为6类0类清晰的双源。1类可能双源分离角小或形态不对称。2类污染天体次源非点状或分离角过大。3类可能的透镜状结构。4类单一天体。5类具有明亮宿主星系的AGN影响分类。将CNN的49个阈值后候选体与目视检查结果对比其中32个被归为0类或1类真阳性的核心候选8个被归为2类污染2个是可能的透镜7个被归为4类或5类。目视检查与CNN预测的一致性为我们对模型结果的信心提供了重要支撑。4.5 与高分辨率图像的交叉验证我们还在哈勃太空望远镜和詹姆斯·韦伯太空望远镜的存档数据中搜索了部分候选体的高分辨率图像。这提供了“终极检验”。在一些案例中高分辨率图像确认了双源结构而在另一些案例中则揭示了CNN的误判原因例如宿主星系的尘埃带造成了双峰假象或者星系的团块结构被误认。这些案例极其宝贵它们直接揭示了当前方法在应对复杂形态时的局限性为未来改进模拟训练集加入更多不规则星系、尘埃带模型指明了方向。5. 结果、讨论与未来展望5.1 主要发现与双AGN比例综合CNN筛选、测光颜色分析、目视检查并扣除估计的前景污染后我们在欧几里得Q1数据中找到了约12个最可靠的小分离角0.45角秒双AGN候选体以及另外3个较大分离角但颜色支持的双AGN候选体。此外还发现了2个可能的引力透镜候选体。据此我们估算在约6000个类星体样本中双/透镜AGN的比例约为0.25%。这个数字与之前一些基于光谱或X射线研究在相近红移和分离角范围内的估计值例如0.2%-0.5%是吻合的。更重要的是我们在小分离角区间0.2-0.45角秒发现了候选体的过密度而这个区间正是前景污染预期较低、且传统方法最难探测的区域这暗示我们的CNN方法确实挖掘出了之前被遗漏的种群。5.2 与宇宙学模拟的对比我们将观测到的候选体数量与Horizon-AGN等宇宙学数值模拟的预言进行了粗略比较。模拟预言对于一定度和分离角范围内的AGN双AGN比例可达5%。但考虑到我们的观测限制小分离角、星等限制预期能探测到的数量会大幅减少至5-6个。我们发现的候选体数量与这个经过修正的预期在同一个数量级这初步表明我们的探测结果与当前的主流星系并合理论并不矛盾。当然更严格的对比需要未来更大样本和更精确的完备性校正。5.3 方法局限性、挑战与改进方向没有任何方法是完美的这次实践也暴露出一些关键挑战模拟与现实的差距尽管我们尽力使模拟逼真但真实宇宙的复杂性如千奇百怪的宿主星系形态、尘埃分布、活动星系核本身的变异性远超模拟。这导致了模型在真实数据上的性能一定程度的退化以及一些意料之外的假阳性。对前景污染的依赖我们目前对污染率的估计是基于统计的。更精确的方法需要将恒星、星系的颜色、形态先验知识直接整合到模型中或者开发能直接输出“污染概率”的神经网络。目视检查的瓶颈当前样本量~6000尚可进行人工检查但对于未来欧几里得全量数据数百万个源这是不可行的。必须发展出全自动、可靠的验证流程或许可以结合多个独立训练的模型或者引入基于物理解释的强化学习。多波段信息的利用当前CNN仅使用了单波段VIS图像信息。欧几里得拥有四个波段颜色是区分恒星、星系和AGN的利器。未来的模型架构应该从输入端就融合多波段信息让网络同时学习空间形态和光谱能量分布特征。5.4 实操心得与避坑指南回顾整个项目有几个从“坑”里爬出来的经验值得分享模拟数据的质量是天花板在构建模拟数据上多花一倍时间可能在模型调试上节省五倍时间。务必确保PSF模型、噪声水平、天体物理参数分布如星等、红移尽可能接近真实数据。可以先用一小部分真实数据做快速测试对比模拟与真实图像的统计特性如功率谱、像素值分布。阈值选择是一门艺术而非科学分类概率阈值如0.9和物理阈值如分离角0.15角秒需要联动调整。最好的方法是利用模拟数据绘制“精度-完整度”曲线并根据科学目标选择合适的工作点。我们的目标是优先保证高精度低假阳性因为后续光谱跟踪观测成本高昂。不要迷信单一指标在验证集上准确率高不代表在真实数据上就好。一定要设计针对真实数据挑战的评估方式如统计污染实验、与高分辨率图像交叉验证。假阳性的案例分析往往比真阳性的成功案例更能推动模型改进。简单网络有时更有效在数据特征相对明确、样本量并非极大的科学问题上一个精心设计的、参数较少的定制CNN其泛化能力可能远超大型预训练网络。避免陷入“模型越复杂越好”的误区可解释性和稳定性同样重要。这次基于CNN的搜寻只是利用欧几里得数据挖掘紧密双AGN宝藏的第一步。随着未来欧几里得更多数据、更深曝光的释放以及JWST、LSST等更高分辨率数据的辅助我们有望构建一个统计意义显著的紧密双AGN样本。这不仅将直接检验星系并合与黑洞共同演化的理论模型还可能为未来的空间引力波探测器如LISA预言潜在的可探测源。这条路还很长但机器学习无疑为我们提供了一把前所未有的、锋利的“探针”。
基于CNN的欧几里得望远镜双活动星系核智能探测方法与实践
发布时间：2026/5/25 4:39:18
1. 项目概述当机器学习遇见宇宙“双星”在浩瀚的宇宙中超大质量黑洞的并合是星系演化故事里最激动人心的章节之一。当两个星系相互靠近、最终融合时它们中心的超大质量黑洞也可能成对出现形成所谓的“双活动星系核”。探测这些紧密环绕的“宇宙双星”尤其是角距离小于1角秒的“亲密”对是天体物理学中长期存在的挑战。传统方法无论是依赖光谱中的双峰发射线还是依赖成像中的形态分解在如此小的尺度上都显得力不从心——要么分辨率不够要么信噪比太低难以将两个紧邻的点源与一个复杂延展的宿主星系结构区分开来。欧几里得望远镜的登场改变了游戏规则。它提供了大面积、高灵敏度、高分辨率的巡天数据理论上为我们搜寻这些稀有天体打开了新窗口。然而海量的数据也带来了新问题如何从数以万计的类星体图像中高效、准确地找出那些极少数可能隐藏着伴生AGN的目标这正是我们这项工作的起点构建一个专门为“找茬”设计的卷积神经网络让它像一位经验丰富的天文学家一样在欧几里得的图像中敏锐地捕捉到第二个微弱点源的蛛丝马迹。我在这篇文章里将详细拆解我们基于CNN和欧几里得Q1数据搜寻双AGN的完整流程。这不仅仅是一个模型应用的案例更是一次将前沿机器学习技术与传统天文数据处理深度结合的实战记录。我会从数据模拟、模型构建、训练调优一直讲到在真实数据上的应用、结果验证以及不可避免的“坑”——比如前景恒星的污染、宿主星系光的干扰。无论你是对天文数据处理感兴趣的开发者还是想了解如何将AI应用于特定科学问题的研究者希望这篇超过五千字的“操作手册”能给你带来实实在在的启发和可复现的细节。2. 核心思路与方案设计为什么是CNN以及如何让它“看懂”星空2.1 问题定义与传统方法的瓶颈首先我们必须明确要解决的是一个典型的“小目标检测”问题但有其特殊性。目标第二个AGN通常非常靠近主AGN分离角0.8角秒且亮度可能比主AGN暗数个星等流量比可达1:100。在欧几里得望远镜的图像中一个像素对应约0.1角秒这意味着我们寻找的目标可能只相隔几个像素。传统方法主要有两类但都有明显局限基于测光目录的方法使用像SExtractor这样的源提取软件先独立检测图像中的所有点源再匹配成对。这种方法在分离角较大0.8角秒时有效但当两个源过于接近时测光算法会将其“混合”成一个延展源只生成一个目录条目从而彻底漏检。我们的分析也证实MER欧几里得官方测光目录对于流量比大于2、角距小于0.8角秒的双源系统基本无效。基于形态学的方法例如使用IRAFStarFinder等工具直接拟合点扩散函数。这类方法在分离角较大时精度尚可但在小分离角下两个PSF严重重叠拟合变得极不稳定对噪声非常敏感完整度Completeness急剧下降。因此我们需要一种能够直接处理原始图像数据、学习复杂空间特征、并对轻微的位置和亮度变化具有鲁棒性的方法。卷积神经网络天然适合这项任务。2.2 CNN方案的整体架构与设计哲学我们的核心思路是将问题转化为一个图像分类任务。对于每一张以类星体为中心的图像我们称之为“cutout”CNN需要判断其属于以下三类中的哪一类类别0单AGN图像中心只有一个明亮的点源可能带有宿主星系。类别1双AGN图像中心有一个主点源并在其附近特定距离和方向内存在一个次要点源。类别2透镜状AGN图像呈现典型的引力透镜特征如爱因斯坦环或弧状结构。然而直接使用真实数据训练是不可能的因为我们没有足够多已知类别的双AGN样本作为“标准答案”。这就引出了本项目的关键创新点用高度逼真的模拟数据来训练CNN。设计哲学一模拟数据必须“以假乱真”模拟数据的质量直接决定了模型的性能上限。我们的模拟流程基于欧几里得望远镜的实际观测参数点源模型使用欧几里得VIS波段和NISP波段的精确点扩散函数模型。每个AGN都被建模为一个点源其位置、亮度星等参数可根据需要设定。宿主星系模型真实的AGN通常嵌入在宿主星系中。我们使用Sérsic轮廓指数n在2到4之间有效半径在2-3像素来模拟椭圆星系的光度分布并将其与PSF卷积以模拟望远镜的模糊效应。噪声与背景添加符合欧几里得观测深度的天空背景噪声和读出噪声确保模拟图像的噪声特性与真实数据一致。参数空间采样在合理的物理范围内随机采样关键参数主源星等IE,1在18-23.5之间、次源与主源的星等差ΔIE,21从0到6、分离角从0到0.8角秒、位置角随机。同时也生成大量纯噪声和单AGN带/不带宿主星系的图像作为负样本。通过这种方式我们生成了数万张涵盖各种可能场景的模拟图像为CNN提供了丰富的“教材”。设计哲学二网络结构追求“专而精”而非“大而全”我们没有直接采用ResNet、VGG等通用大型架构。虽然它们在ImageNet上表现卓越但参数量大容易在我们有限的、特征相对单一的模拟数据上过拟合。我们观察了ResNet18的表现其在训练集上准确率高达99%但在测试集和真实数据上产生了大量假阳性这正是过拟合的典型症状。因此我们设计了一个相对轻量化的定制CNN其核心结构包括特征提取层4-5个卷积块每个块包含卷积层、批归一化层、ReLU激活层和最大池化层。卷积核大小从7x7捕捉大尺度特征逐渐减小到3x3捕捉精细特征。全局池化与全连接层在卷积层后使用全局平均池化替代传统的展平操作这能减少参数量并提高对空间位置的轻微变化的鲁棒性。之后连接2-3个全连接层。输出层一个三节点的Softmax层输出图像属于三个类别的概率。这个定制网络在模拟测试集上达到了约92%的准确率更重要的是其在真实数据上表现出了更好的泛化能力假阳性率显著低于ResNet18。3. 模型训练、优化与阈值选择在准确与完整之间走钢丝3.1 训练策略与损失函数我们使用标准的分类交叉熵损失函数。优化器选择Adam初始学习率设为1e-4并采用ReduceLROnPlateau策略当验证集损失在连续多个epoch内不再下降时将学习率减半以精细调整模型。为了防止过拟合除了使用独立的验证集进行早停外我们还采用了强数据增强随机旋转与翻转天体图像在旋转和翻转下物理性质不变这能极大增加数据多样性。添加随机高斯噪声在输入图像上叠加不同水平的噪声让模型对噪声更鲁棒。亮度与对比度微调模拟不同曝光条件或天空背景的变化。一个关键的训练技巧是类别权重平衡。由于双AGN和透镜AGN在模拟数据中也是少数类我们为它们的损失函数设置了更高的权重例如是单AGN类别的3-5倍使模型更关注难例的学习。3.2 后处理物理阈值将网络输出转化为科学结论CNN输出的是概率但我们需要的是明确的“是”或“否”的判断。直接用一个概率阈值比如0.5来分类是粗糙的。我们结合天体物理的先验知识设置了一系列后处理阈值以在高精度低假阳性和高完整度低假阴性之间取得最佳平衡。分类概率阈值我们将网络对类别1或类别2的预测概率之和大于0.9的源初选为候选体。这是一个相当保守的阈值旨在确保候选体有很高的置信度。最小分离角阈值将分离角小于0.15角秒的候选体排除。因为在这个尺度下即使是高分辨率图像两个点源也几乎完全混合CNN的判断极不可靠且与前景污染或星系团块结构无法区分。星等差阈值要求次源与主源的星等差 ΔIE,21 4即次源不比主源暗超过4个星等约40倍流量比。这是基于物理的考虑更暗的伴星即使存在其信号也完全淹没在噪声和宿主星系光中探测到的信号很可能是噪声起伏或结构造成的假象。通过模拟数据我们可以绘制出在不同参数区间分离角、星等差内模型的完整度找到所有真实双源的比例变化图。如图10所示在0.2-0.3角秒分离、星等差小于4的区间内我们的CNN能达到约60%的完整度。而对于分离角大于0.5角秒的目标传统测光方法如SExtractor的完整度可能更高但CNN在小分离角区域的显著优势正是其价值所在。3.3 假阳性分析与控制假阳性是我们需要严密监控和理解的。在我们的上下文中假阳性主要来自两类前景污染视线方向上偶然叠加的前景恒星或星系。它们与主AGN在物理上毫无关联。形态干扰具有不规则、团块状结构的宿主星系其亮结被网络误判为第二个点源。为了量化并控制假阳性我们进行了一项关键的统计实验在观测天区内随机选取2万个小区域运行我们的CNN流程。由于这些区域是随机选取的其中包含物理关联的双AGN的概率极低因此CNN找出的“候选体”基本上可以代表前景污染的期望数量。实验结果表明在考虑了宿主星系光的抑制效应后我们预计在约6000个初始样本中由前景污染导致的假阳性大约有30个。这个数字为我们评估最终候选体列表的可靠性提供了至关重要的背景水平。如果我们在某个分离角区间内发现的候选体数量显著超过这个背景预期那么我们就更有信心认为这些是真实的双AGN信号。4. 在欧几里得Q1真实数据上的实战应用4.1 数据预处理与样本筛选我们从欧几里得Q1释放的数据中选取了约15000个类星体的图像。首先进行严格的筛选以构建一个干净、适合分析的样本主源星等范围限制在IE18-23.5。太亮会饱和太暗则信噪比太低。源延展度限制使用ISOAREA高于检测阈值的像素面积参数剔除ISOAREA 450的非常延展的源。这些通常是低红移的亮星系其复杂的结构会严重干扰双源探测。去重与坐标匹配剔除重复条目并确保类星体坐标与欧几里得探测到的源在0.3角秒内匹配避免位置误差。经过这些筛选我们得到了一个包含5993个类星体图像的最终样本。4.2 CNN分类与候选体初选将预处理后的图像输入训练好的CNN模型设置概率阈值0.9我们得到了265个初选双/透镜AGN候选体。进一步应用物理阈值分离角0.15角秒ΔIE,21 4后候选体数量缩减至49个约占初始样本的0.8%。4.3 进阶验证一测光与颜色分析对于CNN筛选出的候选体尤其是分离角较大0.5角秒的我们可以利用欧几里得的多波段VIS, YE, JE, HE信息进行进一步甄别。核心思想是真正物理相关的双AGN其两个成分应该具有相似的颜色即光谱能量分布因为它们很可能处于相似的红移和物理环境中。PSF拟合测光由于两个源靠得很近直接使用测光目录的孔径测光会因互相污染而不准。我们开发了一个自定义的PSF拟合流程使用photutils.psf模块中的FittableImageModel来建模欧几里得的PSF并在图像上同时拟合两个点源位置固定和一个Sérsic轮廓的宿主星系成分。这样可以更干净地分解出每个源在各个波段上的流量。颜色-颜色图诊断计算每个候选体中主、次源的颜色例如IE-YE vs JE-HE。我们将它们绘制在颜色-颜色图上并与模拟的AGN颜色轨迹随红移变化以及恒星模板的颜色区域进行对比。位于AGN选择区域内的点是AGN的可能性更大。分析发现在分离角大于0.5角秒的候选体中仅有3个系统的两个成分在颜色-颜色图上都落在AGN区域。这强烈暗示大多数大分离角的候选体很可能是前景污染而非物理相关的双AGN。这也与我们的统计污染估计相符。4.4 进阶验证二人工目视检查尽管机器学习很强大但天文学家的“人眼”在复杂形态判断上仍有不可替代的价值。我们对所有5993个输入样本进行了系统的目视检查并将其分为6类0类清晰的双源。1类可能双源分离角小或形态不对称。2类污染天体次源非点状或分离角过大。3类可能的透镜状结构。4类单一天体。5类具有明亮宿主星系的AGN影响分类。将CNN的49个阈值后候选体与目视检查结果对比其中32个被归为0类或1类真阳性的核心候选8个被归为2类污染2个是可能的透镜7个被归为4类或5类。目视检查与CNN预测的一致性为我们对模型结果的信心提供了重要支撑。4.5 与高分辨率图像的交叉验证我们还在哈勃太空望远镜和詹姆斯·韦伯太空望远镜的存档数据中搜索了部分候选体的高分辨率图像。这提供了“终极检验”。在一些案例中高分辨率图像确认了双源结构而在另一些案例中则揭示了CNN的误判原因例如宿主星系的尘埃带造成了双峰假象或者星系的团块结构被误认。这些案例极其宝贵它们直接揭示了当前方法在应对复杂形态时的局限性为未来改进模拟训练集加入更多不规则星系、尘埃带模型指明了方向。5. 结果、讨论与未来展望5.1 主要发现与双AGN比例综合CNN筛选、测光颜色分析、目视检查并扣除估计的前景污染后我们在欧几里得Q1数据中找到了约12个最可靠的小分离角0.45角秒双AGN候选体以及另外3个较大分离角但颜色支持的双AGN候选体。此外还发现了2个可能的引力透镜候选体。据此我们估算在约6000个类星体样本中双/透镜AGN的比例约为0.25%。这个数字与之前一些基于光谱或X射线研究在相近红移和分离角范围内的估计值例如0.2%-0.5%是吻合的。更重要的是我们在小分离角区间0.2-0.45角秒发现了候选体的过密度而这个区间正是前景污染预期较低、且传统方法最难探测的区域这暗示我们的CNN方法确实挖掘出了之前被遗漏的种群。5.2 与宇宙学模拟的对比我们将观测到的候选体数量与Horizon-AGN等宇宙学数值模拟的预言进行了粗略比较。模拟预言对于一定度和分离角范围内的AGN双AGN比例可达5%。但考虑到我们的观测限制小分离角、星等限制预期能探测到的数量会大幅减少至5-6个。我们发现的候选体数量与这个经过修正的预期在同一个数量级这初步表明我们的探测结果与当前的主流星系并合理论并不矛盾。当然更严格的对比需要未来更大样本和更精确的完备性校正。5.3 方法局限性、挑战与改进方向没有任何方法是完美的这次实践也暴露出一些关键挑战模拟与现实的差距尽管我们尽力使模拟逼真但真实宇宙的复杂性如千奇百怪的宿主星系形态、尘埃分布、活动星系核本身的变异性远超模拟。这导致了模型在真实数据上的性能一定程度的退化以及一些意料之外的假阳性。对前景污染的依赖我们目前对污染率的估计是基于统计的。更精确的方法需要将恒星、星系的颜色、形态先验知识直接整合到模型中或者开发能直接输出“污染概率”的神经网络。目视检查的瓶颈当前样本量~6000尚可进行人工检查但对于未来欧几里得全量数据数百万个源这是不可行的。必须发展出全自动、可靠的验证流程或许可以结合多个独立训练的模型或者引入基于物理解释的强化学习。多波段信息的利用当前CNN仅使用了单波段VIS图像信息。欧几里得拥有四个波段颜色是区分恒星、星系和AGN的利器。未来的模型架构应该从输入端就融合多波段信息让网络同时学习空间形态和光谱能量分布特征。5.4 实操心得与避坑指南回顾整个项目有几个从“坑”里爬出来的经验值得分享模拟数据的质量是天花板在构建模拟数据上多花一倍时间可能在模型调试上节省五倍时间。务必确保PSF模型、噪声水平、天体物理参数分布如星等、红移尽可能接近真实数据。可以先用一小部分真实数据做快速测试对比模拟与真实图像的统计特性如功率谱、像素值分布。阈值选择是一门艺术而非科学分类概率阈值如0.9和物理阈值如分离角0.15角秒需要联动调整。最好的方法是利用模拟数据绘制“精度-完整度”曲线并根据科学目标选择合适的工作点。我们的目标是优先保证高精度低假阳性因为后续光谱跟踪观测成本高昂。不要迷信单一指标在验证集上准确率高不代表在真实数据上就好。一定要设计针对真实数据挑战的评估方式如统计污染实验、与高分辨率图像交叉验证。假阳性的案例分析往往比真阳性的成功案例更能推动模型改进。简单网络有时更有效在数据特征相对明确、样本量并非极大的科学问题上一个精心设计的、参数较少的定制CNN其泛化能力可能远超大型预训练网络。避免陷入“模型越复杂越好”的误区可解释性和稳定性同样重要。这次基于CNN的搜寻只是利用欧几里得数据挖掘紧密双AGN宝藏的第一步。随着未来欧几里得更多数据、更深曝光的释放以及JWST、LSST等更高分辨率数据的辅助我们有望构建一个统计意义显著的紧密双AGN样本。这不仅将直接检验星系并合与黑洞共同演化的理论模型还可能为未来的空间引力波探测器如LISA预言潜在的可探测源。这条路还很长但机器学习无疑为我们提供了一把前所未有的、锋利的“探针”。
