2026年6月5日上午，贵州大学大数据与信息工程学院在崇理楼509会议室成功举办了一场题为“机器学习与类星体巡天”的学术报告。本次报告特邀北京大学博雅特聘教授、中国空间站工程巡天望远镜北京大学科学中心主任、中国天文学会副理事长吴学兵教授主讲，吸引了来自大数据与信息工程学院、公共大数据国家重点实验室、物理学院、资源与环境工程学院等单位众多师生前来聆听交流。报告由张利教授主持。
专家简介
吴学兵，北京大学物理学院天文学系博雅特聘教授、中国空间站工程巡天望远镜北京大学科学中心主任，中国天文学会副理事长，北京天文学会理事长。研究领域为星系与类星体、黑洞天体物理等。成果入选2015年度中国科学十大进展和高等学校十大科技进展，获2017年度教育部自然科学一等奖。2005年获国家杰出青年科学基金，2015年获中国天文学会首届黄润乾天体物理基础研究奖，2024年获国务院政府特殊津贴。
报告摘要
近年来，机器学习方法在海量天体识别与分类及物理参数估计等领域的广泛应用中展现出巨大优势。吴学兵教授团队利用机器学习从大型光学红外巡天数据中识别出近两百万类星体候选体，完备性和纯度超过国际上已有样本。应用迁移学习，构建了实际缺乏的银道面背景类星体和星系模拟训练样本，利用机器学习识别出近20万个银道面背景类星体候选体，经观测检验发现纯度高达80%以上。为解决中国空间站巡天望远镜CSST海量天体光谱分类的瓶颈，构建了四分类卷积神经网络模型。在CSST模拟数据测试中，类星体识别准确率达99%以上，预计可从CSST无缝光谱巡天中识别百万类星体，为构建类星体更大样本作出贡献。
现场互动
报告中，吴学兵教授以清晰翔实的讲解，将前沿机器学习算法与类星体巡天科研实践深度融合，层层拆解海量天文巡天数据处理的技术难点，充分展现人工智能赋能天体观测的科研魅力，极大调动了在场师生的科研热情。在提问交流环节，同学们围绕“迁移学习补充银道面类星体训练样本的技术细节”“卷积神经网络模型适配CSST光谱数据的优化思路”“百万量级类星体大样本构建对黑洞物理研究的推动作用”等问题，与吴教授展开细致深入的探讨。
作为深耕天文大数据关键技术研发的科研队伍，由张利教授领衔的贵州大学天文大数据团队，长期围绕FAST天眼、SKA大科学工程开展天文数据处理、智能识别等核心技术攻关，在天文海量数据智能解析领域积累了扎实的技术储备。本次吴学兵教授带来的机器学习与类星体巡天专题报告，不仅是一场高水平的学术分享，更搭建起北京大学与贵州大学天文科研协作的桥梁，双方就机器学习在CSST巡天数据处理、类星体样本挖掘等方向的科研联合攻关、研究生联合培养等合作内容进行了深度洽谈，为后续携手推进天文智能探测技术落地、拓展类星体与黑洞天体物理研究版图奠定基础。
主办单位
贵州大学大数据与信息工程学院
时间
2026年6月5日
地点
贵州大学西校区崇理楼509会议室
编辑：郭嫚
责编：张羽岚
编审：王珂