AI“捕手”精准锁定黑洞吞噬瞬间：墨子巡天望远镜团队成功开发潮汐瓦解事件智能分类器
近日，中国科学技术大学孔旭教授团队在时域天文数据挖掘领域取得重要进展。研究团队针对墨子巡天望远镜（WFST）的海量数据，成功开发了一款基于Transformer深度学习架构的潮汐瓦解事件（Tidal Disruption Event, TDE）自动分类器 — TTC。该分类器宛如一位不知疲倦的“AI捕手”，能在海量巡天数据中精准捕捉黑洞吞噬恒星、释放耀眼焰火的壮观瞬间。相关成果以“TTC: Transformer-based TDE Classifier for the Wide Field Survey Telescope (WFST)”为题，于2026年3月10日正式发表在国际著名天文学期刊《天体物理学杂志》（The Astrophysical Journal）上。博士生郑然方为论文第一及通讯作者，博士生林哲宇和孔旭教授为论文通讯作者。
黑洞“捕食”的隐秘踪迹
当一颗恒星游荡到距离黑洞足够近的地方时，它会被黑洞强大的潮汐力撕裂并吸积，在此过程中产生强烈的耀发。这一壮观的天文现象被称为“潮汐瓦解事件（TDE）。TDE不仅是宇宙中最耀眼的焰火之一，更是天文学家探测和研究沉睡于星系中心超大质量黑洞以及中等质量黑洞的绝佳探针。
随着墨子巡天望远镜（WFST）等新一代大视场巡天设备的运行，人类每年有望发现成百上千个此类事件。然而，当前的自动筛选算法往往高度依赖宿主星系的外部交叉匹配数据，这导致那些发生在遥远暗弱星系、极度活跃星系（如恒星形成活动剧烈的星系、活动星系核等）或偏离星系中心的TDE极易被遗漏。如何从每天产生的海量光变曲线中，精准快速地“大海捞针”，是一个亟待解决的难题。
智能赋能：纯光变曲线的深度洞察
为打破这一瓶颈，孔旭教授团队创新性地提出了一种无需依赖外部星系目录、仅靠目标天体“纯光变曲线”进行识别的综合分类框架（TTC）。该框架由两个可独立工作的核心模块组成：
- 参数化拟合模块： 能够极速对光变曲线的形状和颜色演化进行初步评估，过滤掉大量干扰信号，单源处理速度低至0.024秒，大幅降低了计算成本。
- 基于Mgformer的深度分类网络： 这是TTC的“智慧大脑”。利用先进的Transformer架构处理时间序列数据的优势，该模块不仅能捕捉光变曲线的长期依赖关系，还通过“数据增强”技术，使其具备了在事件早期（仅凭少量观测数据）就做出精准预测的能力。
在基于ZTF（茨威基暂现源设施）近7500个光谱证认瞬变源的严格测试中，该AI分类器的召回率达到0.79，精确率达到0.76。不仅如此，系统还支持灵活调整分类阈值，以在不同观测资源条件下实现“高召回率”或“高精确率”的自由切换。
实战亮剑：提前预警与WFST深度挖掘
在实时的巡天数据测试中，TTC展现出了惊人的敏锐度。系统在2025年前4个月的ZTF数据流测试中，成功以100%的准确率揪出了所有光谱证认的TDE。令人瞩目的是，对于发生在红移0.63处的遥远事件TDE 2025hbw，TTC在其被光谱正式确认为TDE的4天前，就给出了高达0.98的超高置信度预警，充分证明了其在早期发现遥远暗弱TDE方面的巨大潜力。
目前，研究团队已将该算法率先部署于墨子巡天望远镜的深场巡天数据中，并成功筛选出约20个极具潜力的TDE候选体。随着WFST差分图像数据库的全面建成以及独具优势的u波段高质量数据的积累，预计WFST在TDE领域的发现率将实现数量级的跃升。值得一提的是，该算法在附带的超新星分类任务中也展现出了优异的准确率。
本研究不仅为WFST提供了强大的科学数据处理“利器”，也为即将到来的时域天文学大数据时代提供了可靠的中国方案。该项目研究代码已在GitHub和Zenodo开源，供全球天文学者使用。
该研究工作得到了国家自然科学基金、国家重点研发计划、中国科学院战略性先导科技专项和唐仲英基金会等项目的鼎力支持。