首张全天空紫外线地图: Claude Science 助力填补波段空白
天文学家此前已用可见光、红外、射电、X射线和伽马射线绘制了整个天空，却从未有人完成过完整的紫外线（UV）全天地图。约翰斯·霍普金斯大学天体物理学家、Anthropic 研究者 Brice Ménard 在文中讲述他如何与 Claude Science 合作，制作出首张完整的紫外线全天地图。来源未说明所用方法与数据细节。
最新动态
Introducing SINFONIA: 用于轨道数值积分与加速的辛、slimplectic 与 Magnusian(神经)流
arXiv 预印本提出 SINFONIA 三种神经流架构：Galley 双重相空间上的辛/slimplectic 流（SINFONIA-J0）、Taylor 锚定流（SINFONIA-J1）、以及学习相互作用图像中有限时耗散修正的 Magnusian 流（SINFONIA-J2），用于引力波源长时演化。在 2.5PN 中子星旋近中，三者均显示长期精度由映射误差沿能量–角动量平衡决定的单一长期通道的带符号投影控制；编码该结构后，学习映射在 10^2–10^5 次窗口复合至并合时仍准确，步长可为整个轨道周期或更长，链式相位误差较基准 slimplectic 积分器低若干量级且成本更低。未约束该通道时，累积相位可恢复未建模的类动力学摩擦力；关闭网络的对照可分离学习贡献与每张映射内建的解析结构。作者称这是结构保持学习演化映射用于快速长时积分与物理推断的概念验证。
Koopman 算子用于学习并预测X射线双星的非线性变化
研究首次将 Koopman 算子理论及其数据驱动近似方法扩展动态模态分解（EDMD）应用于X射线光变曲线。该理论将非线性演化表示为无限维线性算子，其特征分解可得到独立演化的线性模态；研究推导出每个特征函数会在功率谱中贡献一个洛伦兹峰，并将准周期振荡解释为受过程噪声阻尼、峰形展宽的模态。在混沌Duffing振子模拟，以及对X射线双星4U 1705-44约30年的RXTE ASM和MAXI监测中，变化最慢的特征函数可划分低、高通量状态，并在光变曲线可见转变前数天至数周改变符号。迭代该算子还可给出数天至数周尺度的通量预测。
基于深度学习的扩散模型估算卡西尼-ISS图像背景强度
针对卡西尼成像科学子系统（ISS）观测土星环等复杂场景，传统多项式拟合与统计方法在非均匀背景下易产生偏差。研究者提出基于去噪扩散概率模型（DDPM）的深度学习框架，通过学习噪声模式并迭代重建背景，在ISS图像环缝区域的背景强度估计上相对多项式拟合最多提升62%；用于环缝中未分辨卫星的质心测定时，沿行方向与样本方向的位置精度分别提升约14%和15%。该框架无需手动调参，可推广至多种背景，有望用于天体测量、测光及源探测等任务。
天文基础模型中的检测通道覆盖像素并导致层析红移系统偏差
对超2亿天体训练的39模态Transformer AION-1的审计显示，其继承巡天目录的不完整性作为系统性偏差。因果干预证明，保持图像token不变仅编辑分割图，会使所有输出改变110-4400倍安慰剂。机制是检测门控，而非光分布。当目录光度被反驳时，性能比无元数据差9倍。以3.68%的未覆盖目标率传播，导致层析红移中位数偏移0.71倍LSST DESC要求，最差箱达8.3倍。光谱法或去除检测通道可消除影响；tokenizer还存在量化限制。
射电星系检测与表征的深度学习技术
未来射电望远镜将产生用传统统计方法难以分析的数据量，促使采用机器学习技术。本文提出YOLO-Chars，一个两阶段深度学习框架，用于自动检测和表征射电星系。第一阶段使用定制的YOLO多尺度检测模型定位致密和延展源；第二阶段通过专用网络估计源的物理属性，包括流量密度、角尺寸和位置角。在SKA SDC1数据集上评估，YOLO-Chars达到有竞争力的性能，展现了作为下一代射电巡天可扩展框架的潜力。
Astro-COLIBRI中AI辅助的GCN Circulars后续观测提取
Astro-COLIBRI新增组件将自由文本GCN Circulars转为结构化、事件关联的后续观测记录，并与社区直接提交的结构化报告合并。持续运行的监听器将新报告关联到暂现事件，进行确定性预分析，并由受模式约束的大语言模型提取测光、联系人、红移等结果；记录经API归一化为事件级后续观测数据库，通过网页和移动端提供报告摘要、联系人工具、光学余晖背景图及CSV/VOTable下载。调优后，运行评估语料中2026年上半年的1,775份Circulars全部无失败完成；内部人工审计210份确认25,880项字段级决定中25,827项正确（99.80%），错误限于231份受评估报告中的8份的观测时间与设施归属。提取的红移与独立GRBweb汇编在249个共有事件中228个一致，所有不一致均源于极限值、候选宿主估计或后续精化值，而非误读Circular。该流程已处理2016年以来完整GCN档案，产出5,787个暂现事件、26,811份报告中
AstroPT 对星系的认知及其对大型语言模型的启示
可解释性研究常探究概念涌现及线性探针是否还原真实结构，但语言模型缺乏概念顺序的真实基准。本文提出利用天文数据作为校准测试平台：AstroPT 是一个在数百万星系图像上训练的类似 LLM 的模型，其概念难度顺序已知。通过冻结表征并探测不同检查点、层、模型大小和目标函数，作者发现星系属性以固定顺序涌现，该顺序反映其已知难度——如波段星等早期和浅层即可解码，而红移和恒星形成率等推断量出现较晚且较深。此顺序不受训练目标影响，容量仅改变规模而非序列。线性探针方向还能还原星系属性的物理结构。研究显示天文学为校准机制可解释性方法提供了受控实验场。
用于科学计算的长时运行Claude
Anthropic研究人员Siddharth Mishra-Sharma介绍，可将多日智能体编码工作流（测试预言、持久记忆、编排模式）用于科学计算，即使超出自身专业领域。科学家不再需要在对话循环中逐步紧控，而是设定高层目标后让一组智能体自主工作，数小时完成原本需数天至数月的项目。适合范围明确、成功标准清晰、可间断监督的任务，如重实现数值求解器、转换旧Fortran软件、对照参考实现调试大型代码库。Anthropic的C编译器项目曾让Claude在约2000个会话中构建可编译Linux内核的C编译器。文中以Claude Opus 4.6实现可微宇宙学玻尔兹曼求解器为例。