超新星测量宇宙距离的更优方法

天文学家近期公布了一项突破性成果：名为CIGaRS的人工智能驱动框架，能够从用于测量宇宙尺度的爆炸恒星中，提取出远高于传统方法的信息量。从技术层面看，这是算法迭代；从科学层面看，它直接关乎我们如何精准测定宇宙的膨胀速率，以及暗能量这一谜团的本质。

这项新方法由巴塞罗那大学宇宙科学研究所（ICCUB）领衔的国际团队提出，核心逻辑很清晰：将超新星与其宿主星系纳入统一分析框架。听起来操作简单，但实际执行时，等于打开了全新的分析维度。

研究成果发表于顶级期刊《自然天文学》，该框架全称为CIGaRS。其核心优势在于：无需依赖昂贵且耗时的光谱观测，仅凭成像数据即可提取关键宇宙学信息。对于即将到来的天文大数据时代（尤其是薇拉·C·鲁宾天文台的海量巡天数据），这一工具堪称及时雨。

那么，超新星为何对理解宇宙如此关键？

这涉及Ia型超新星。本质上，这是白矮星发生热核爆炸的瞬间。由于这类爆炸的“绝对光度”几乎恒定，天文学家将其视为标准烛光。类比一下：已知一支蜡烛的真实亮度，再观察它在地球上呈现的暗度，就能精确推算出距离。宇宙学中的距离测量，正是基于这一逻辑。

正是这套方法，让我们发现了宇宙膨胀正在加速——从而引出了暗能量概念，而暗能量至今仍是物理学最深层的谜团之一。但关键问题在于：Ia型超新星并非“完全一致”。

问题出在环境变量上。

长期以来，天文学家观察到超新星的视亮度会受到宿主星系的微妙影响。例如，位于年老或质量更大星系中的超新星，与年轻星系中的同类相比，亮度存在细微偏差。过去，处理这种偏差的方法较为粗放，通常套用简单的经验公式，结果无形中削掉了测量精度。

如何解决？研究团队的方案直截了当——将所有因素纳入统一模型。

他们构建了一个综合模型，将超新星爆发本身、宿主星系属性、宇宙尘埃导致的消光与红化、超新星在宇宙历史上的发生率，以及宇宙自身的膨胀，全部耦合在一起。换句话说，不采用“头痛医头”的局部修正，而是打造了一个物理与统计关系自洽的整体模型。

ICCUB的Raúl Jiménez（ICREA研究员）形象地比喻道：为宇宙建模最高效的方式，就是利用贝叶斯推理在计算机中从头模拟整个宇宙。同时调整所有可能参数，寻找最符合观测数据的宇宙版本。更重要的是，这种方法能暴露我们甚至未曾意识到的“未知系统误差”——这恰是当前宇宙学建模中最大的盲区。

谈到人工智能与宇宙学的融合，该团队采用了名为“基于模拟的推理”的现代方法。具体流程是：先根据物理模型生成大量模拟宇宙，再训练神经网络（即AI）学习模拟观测结果与底层物理参数之间的关联。训练完成后，系统面对真实天文数据，即可直接反推出关键参数。这意味着它可以同时分析数万颗超新星——传统技术根本无力应对这一量级。

本次研究的一项核心发现是：仅凭图像就能准确推算一个星系的“红移”（即距离）。红移描述了星系光在宇宙膨胀中被拉长的程度，是测定距离和“宇宙时间”的关键指标。新方法的精度足以媲美光谱测量，却完全不需要光谱数据。这对未来的巡天观测意义重大——像鲁宾天文台这样的设备将识别出数百万个候选超新星，其中能进行光谱跟踪的仅为极小部分。

鲁宾天文台（位于智利）的十年巡天计划预计将探测到数量惊人的超新星，其中约99%只能用光度法观测（即通过不同波段的图像观测）。CIGaRS框架几乎是为这种“数据极其丰富但光谱极端匮乏”的环境量身定制。研究第一作者Konstantin Kalchev（ICCUB和SISSA）强调，不同于那些需要强制简化的框架，这种“不妥协的端到端模拟推理方法”能从鲁宾天文台来之不易的数据中完整提取宇宙学与天体物理信息，同时规避选择偏差和建模偏差的陷阱。

这项研究的意义远不止于测量暗能量。它还能帮助我们更深入地理解Ia型超新星的形成机制和爆发时机。通过重建超新星发生率与星系中恒星年龄的关系，该模型为研究那些爆炸恒星系统的形成路径提供了全新视角。

归根结底，研究结果清晰地表明：将基于物理的建模与人工智能相结合，能有效突破当前宇宙学分析的瓶颈。作者给出了一个极具吸引力的预测：相比仅依赖少量光谱观测超新星的传统方法，这种新方案在宇宙学约束精度上最高可提升四倍。

随着鲁宾天文台即将重塑天文学的面貌，像CIGaRS这样的工具将帮助我们更全面地解读那些投入巨大努力才获得的数据，从而更透彻地理解宇宙的运作机制。