国际合作与观测技术突破 - 清华大学联合意大利、澳大利亚、德国等多国天文学家，利用中国天眼FAST和南非MeerKAT阵列望远镜对银河系球状星团进行高精度观测，绘制出更清晰的银河磁场图谱 [1] - FAST的500米口径反射面擅长捕捉来自数百万光年外的微弱脉冲星信号，而MeerKAT的64面天线阵专注追踪更广阔天区的信号，两者首次深度合作将观测样本扩大了一倍以上 [3] - 此次合作刷新了球状星团研究的观测极限，为理解星团演化和银河系磁场提供了新视角 [1][3] 球状星团特性与发现 - 球状星团是银河系最古老的天体之一，由数百万颗恒星构成，包括高度磁化的脉冲中子星，其电磁脉冲信号携带星际物质和磁场的宝贵信息 [3] - 研究成功获取8个球状星团中43颗脉冲星的偏振旋转测量（衡量宇宙磁场强度的关键指标），发现其中7个星团没有可探测的电离气体，呈现异常"干净"的状态 [6] - 科学家将这一现象称为"无尘之境"，推测白矮星、中子星等活跃成员通过释放能量"吹走"其他恒星产生的电子和尘埃，维持了清洁环境 [6][7] 未来研究方向 - 双方计划进一步追踪脉冲星突变、研究星际湍流，并探索地外文明的可能信号 [7]

AI在天体生物学领域的应用 - NASA戈达德太空飞行中心开发"AstroAgents"系统 由8个AI代理组成 可自主完成从数据分析到论文撰写的全流程研究 目标分析火星样本中的有机分子[2] - AstroAgents基于Claude Sonnet 3 5和Gemini 2 0 Flash大型语言模型 Gemini生成101个假设(36个合理/24个新颖) Claude生成48个假设(错误率更低)[3] - 该系统属于代理型AI 能自主决定研究策略 包含数据分析师/规划师/评估师等角色分工 通过提示词控制代理行为[2] AI在系外行星探测中的突破 - NASA系外行星搜寻项目ExoMiner通过机器学习分析开普勒望远镜数据 新发现370颗系外行星 但均不具类地环境特征[4] - ExoMiner采用已确认行星与误报数据训练 验证准确率100% 未来将配合新一代望远镜提升探测能力[4][5] AI在射电天文领域的进展 - SETI研究中心为甚大天线阵列(VLA)开发AI系统 处理能力达2TB/秒 可识别传统方法遗漏的宽带射电信号[6] - AI在"突破聆听"计划中扫描百万颗恒星 同时分析火星岩石样本时生物识别准确率达90%[6] - 计划将AI部署于土卫二羽流探测及火星陨石分析 扩展地外生命搜索维度[7] 技术发展趋势 - 天体生物学研究从传统建模转向AI驱动 处理海量数据效率显著提升[1][2] - 代理型AI与机器学习成为主流技术路径 覆盖行星探测/样本分析/信号处理全链条[2][4][6] - 下一代望远镜与AI协同将大幅提升探测精度 未来十年或实现突破性发现[5][7]