Anthropics Claude Science har tagit fram den första kompletta ultravioletta kartan över hela himlen, en milstolpe som beskrivs av Johns Hopkins astrofysiker Brice Ménard, som ledde projektet och detaljerade processen på Anthropics hemsida. Ansträngningen, som rapporterats av The Decoder, visar hur samordnade AI-agenter kan absorbera det tråkiga dataarbetet som forskarteam annars aldrig skulle komma åt.
Kartan fyller i decennier gamla luckor efter tidigare rymduppdrag, och kombinerar arkivobservationer med modellgenererade rekonstruktioner av regioner som inget teleskop helt har täckt. Det är ett av de mest konkreta exemplen hittills på att AI har flyttat från chatbots och kodningsassistenter till det dagliga maskineriet för vetenskaplig forskning – ett tema som går igenom mycket av dagens AI-forskningsbevakning.
Varför en komplett UV-karta aldrig funnits
Ultraviolett ljus är osynligt från marken. Ozonskiktet blockerar det, vilket innebär att UV-astronomi bara kan göras från rymden. NASA:s GALEX-uppdrag, som undersökte himlen i ultraviolett ljus från 2003 till 2013, lyckades täcka cirka två tredjedelar av himlen men hoppade över ljusa stjärnbildande regioner, där ljuset är så intensivt att det kan skada detektorer eller mätta observationer.
Det lämnade ungefär en tredjedel av himlen utan UV-täckning - inklusive några av de mest vetenskapligt intressanta stadsdelarna, täta med unga stjärnor och aktiv stjärnbildning. I mer än ett decennium har astronomer som arbetar med UV-data varit tvungna att klara av dessa hål, lappa ihop partiella vyer eller helt enkelt undvika de saknade regionerna i sina analyser.
Hur AI-agenter satte ihop kartan
Claude Science koordinerar team av AI-agenter som laddade ner data från flera rymduppdrag, kalibrerade det och slog ihop det till en enda konsekvent karta. Där observationer saknades använde systemet inpainting - en teknik där en modell lär sig av befintliga data för att rekonstruera luckorna.
Resultaten validerades mot verkliga mätningar: i tester avvek modellens förutsägelser från verkliga värden med cirka 10 procent i genomsnitt, enligt Ménards beskrivning av projektet. Den felfrekvensen spelar roll - det är skillnaden mellan en vetenskapligt användbar produkt och en vacker bild - och det antyder att rekonstruktionerna är tillräckligt nära för att stödja utforskande arbete, även om de inte är ett substitut för direkt observation.
UV-ljus avslöjar damm som lyser upp av stjärnljus, inklusive strukturer som moln runt unga stjärnor och ringar som lämnats efter av stjärnexplosioner. Med hela himlen nu täckt kan forskare studera dessa egenskaper i regioner som tidigare var blinda fläckar.
Agent-koordineringsmetoden är lika anmärkningsvärd som resultatet. Istället för att en enda modell svarade på frågor, sönderdelade systemet projektet i jobb – leta upp uppdragsarkiv, hämta data, kontrollera kalibrering, justera projektioner, slå samman överlappande undersökningar, identifiera luckor – och tilldelade dem till specialiserade agenter som arbetade genom pipelinen. Människoforskare ställde kraven och validerade resultatet; agenterna utförde monteringsarbetet som annars skulle ha förbrukat en doktorands decennium.
Ett läromedel och en mall
Ménard sa att kartan är avsedd att fungera som undervisningsmaterial, vilket ger studenter och forskare en fullständig bild av den ultravioletta himlen för första gången. Men den större innebörden kan vara själva arbetsflödet.
Han misstänker att många forskare har skjutit upp liknande projekt – stora, oglamorösa dataintegreringsinsatser som AI nu skulle kunna möjliggöra. Arkiv från tidigare rymduppdrag är fulla av data som aldrig utnyttjades fullt ut, inte för att det saknar värde utan för att rengöring, kalibrering och sammanslagning skulle ta ett forskarteam år av grymtande arbete. Agentbaserade system som Claude Science förändrar den ekonomin: samordningen och datahanteringen som en gång konsumerade en karriär kan ske i ett projekt.
Det finns en tyst ironi i källan till luckorna också. GALEX hoppade över de mest ljusstarka stjärnbildande regionerna just för att de är bland de mest värdefulla målen - motorerna för ny stjärnbildning som astronomer mest vill studera i ultraviolett ljus. Ett uppdrag designat kring instrumentskydd slutade med att lämna sina mest intressanta stadsdelar opartade, och först nu, med AI-assisterad rekonstruktion, fylls den döda fläcken.
Varningar
Målade regioner är förutsägelser, inte mätningar. Ungefär en tredjedel av denna karta existerar eftersom en modell antydde hur UV-himlen skulle se ut baserat på omgivande data och mönster som lärts från de täckta områdena. Den genomsnittliga avvikelsen på 10 procent är en aggregerad siffra; specifika strukturer - en svag ring runt en stjärnrest, kanten på ett dammmoln - kan vara mindre tillförlitliga än vad kartans övergripande statistik antyder.
Det är inte en uppsägning. Varje återuppbyggnadsprojekt inom astronomi står inför samma avvägning, och det antropiska projektet är transparent om vilka regioner som antogs. Men forskare som citerar kartan kommer att behöva skilja observerade från rekonstruerade områden, särskilt för svaga eller ovanliga källor.
Projektet signalerar också Anthropics bredare satsning på att positionera sina modeller i vetenskapliga arbetsflöden, från himmelskartan till sårbarhetsskanning för programvara med öppen källkod som tillkännagavs denna vecka. För astronomigemenskapen är den omedelbara avhämtningen enklare: en datauppsättning som inte existerade nu gör det, och verktygen som byggde den kan pekas på andra uppdrag nästa.
---
Stay ahead of AIFå de senaste AI-nyheterna, analyserna och genombrotten – allt på ett ställe.
Läs mer AI-nyheter →
