Opportunities in AI/ML for the Rubin LSST Dark Energy Science Collaboration

📄 arXiv: 2601.14235v1 📥 PDF

作者: LSST Dark Energy Science Collaboration, Eric Aubourg, Camille Avestruz, Matthew R. Becker, Biswajit Biswas, Rahul Biswas, Boris Bolliet, Adam S. Bolton, Clecio R. Bom, Raphaël Bonnet-Guerrini, Alexandre Boucaud, Jean-Eric Campagne, Chihway Chang, Aleksandra Ćiprijanović, Johann Cohen-Tanugi, Michael W. Coughlin, John Franklin Crenshaw, Juan C. Cuevas-Tello, Juan de Vicente, Seth W. Digel, Steven Dillmann, Mariano Javier de León Dominguez Romero, Alex Drlica-Wagner, Sydney Erickson, Alexander T. Gagliano, Christos Georgiou, Aritra Ghosh, Matthew Grayling, Kirill A. Grishin, Alan Heavens, Lindsay R. House, Mustapha Ishak, Wassim Kabalan, Arun Kannawadi, François Lanusse, C. Danielle Leonard, Pierre-François Léget, Michelle Lochner, Yao-Yuan Mao, Peter Melchior, Grant Merz, Martin Millon, Anais Möller, Gautham Narayan, Yuuki Omori, Hiranya Peiris, Laurence Perreault-Levasseur, Andrés A. Plazas Malagón, Nesar Ramachandra, Benjamin Remy, Cécile Roucelle, Jaime Ruiz-Zapatero, Stefan Schuldt, Ignacio Sevilla-Noarbe, Ved G. Shah, Tjitske Starkenburg, Stephen Thorp, Laura Toribio San Cipriano, Tilman Tröster, Roberto Trotta, Padma Venkatraman, Amanda Wasserman, Tim White, Justine Zeghal, Tianqing Zhang, Yuanyuan Zhang

分类: astro-ph.IM, astro-ph.CO, cs.AI, cs.LG, stat.ML

发布日期: 2026-01-20

备注: 84 pages. This is v1.0 of the DESC's white paper on AI/ML, a collaboration document that is being made public but which is not planned for submission to a journal

DOI: 10.5281/zenodo.18319953

💡 一句话要点

探索AI/ML在Rubin LSST暗能量科学合作中的应用机遇与挑战

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 暗能量 宇宙学 机器学习 深度学习 天文数据 LSST 贝叶斯推断 主动学习

📋 核心要点

  1. 传统天文数据分析流程难以应对LSST产生的大规模异构数据，需要更强大的方法。
  2. 探索AI/ML在DESC的宇宙学研究中的应用，重点关注核心方法和交叉挑战。
  3. 强调大规模贝叶斯推断、物理信息方法、验证框架和主动学习等关键研究方向。

📝 摘要（中文）

Vera C. Rubin天文台的“空间和时间遗产调查”（LSST）将产生前所未有的大量异构天文数据（图像、目录和警报），这对传统分析流程提出了挑战。LSST暗能量科学合作组织（DESC）旨在从这些数据中获得对暗能量和暗物质的可靠约束，这需要统计能力强大、可扩展且运行可靠的方法。人工智能和机器学习（AI/ML）已经嵌入到DESC的科学工作流程中，从光度红移和瞬态分类到弱透镜推断和宇宙学模拟。然而，它们对精确宇宙学的效用取决于可信的不确定性量化、对协变量偏移和模型错误设定的鲁棒性以及在科学流程中的可重复集成。本文概述了AI/ML在DESC的主要宇宙学探测和交叉分析中的现状，揭示了相同核心方法和基本挑战在不同的科学案例中反复出现。由于在这些交叉挑战方面的进展将同时使多个探测受益，因此我们确定了关键的方法论研究重点，包括大规模贝叶斯推断、物理信息方法、验证框架和用于发现的主动学习。着眼于新兴技术，我们还探讨了最新的基础模型方法和LLM驱动的智能AI系统重塑DESC工作流程的潜力，前提是它们的部署与严格的评估和治理相结合。最后，我们讨论了成功部署这些新方法所需的关键软件、计算、数据基础设施和人力资本要求，并考虑了与外部参与者进行更广泛协调的相关风险和机遇。

🔬 方法详解

问题定义：论文旨在解决LSST产生的大规模异构天文数据给暗能量和暗物质研究带来的挑战。现有方法在处理如此庞大的数据量时，面临着统计能力不足、可扩展性差、运行可靠性低等问题，并且缺乏对不确定性的有效量化和对模型误差的鲁棒性。

核心思路：论文的核心思路是利用人工智能和机器学习（AI/ML）技术，改进和优化DESC的科学工作流程，从而更有效地从LSST数据中提取有价值的宇宙学信息。通过关注跨多个科学案例的共同挑战，并优先发展通用的方法论，提高AI/ML在宇宙学研究中的应用价值。

技术框架：论文没有提出一个具体的AI/ML框架，而是对DESC的现有工作流程进行了分析，并指出了AI/ML可以发挥作用的关键领域，包括光度红移估计、瞬态分类、弱透镜效应推断和宇宙学模拟。论文强调了几个重要的研究方向，如大规模贝叶斯推断、物理信息方法、验证框架和主动学习，这些方向可以提高AI/ML方法的性能和可靠性。此外，论文还探讨了基础模型和LLM驱动的智能AI系统在重塑DESC工作流程方面的潜力。

关键创新：论文的主要创新在于它系统地分析了AI/ML在DESC的宇宙学研究中的应用机遇和挑战，并提出了几个关键的研究方向，这些方向可以提高AI/ML方法的性能和可靠性。论文还强调了跨多个科学案例的共同挑战，并提出了发展通用方法论的必要性。此外，论文还探讨了新兴技术（如基础模型和LLM驱动的智能AI系统）在重塑DESC工作流程方面的潜力。

关键设计：论文没有提供具体的算法或模型细节，而是侧重于方法论和研究方向的讨论。它强调了以下几个关键设计原则：1) 可靠的不确定性量化；2) 对协变量偏移和模型错误设定的鲁棒性；3) 在科学流程中的可重复集成；4) 物理信息的有效利用；5) 大规模数据的处理能力；6) 主动学习策略的应用。

📊 实验亮点

论文强调了AI/ML在处理LSST大规模异构数据方面的潜力，并指出了大规模贝叶斯推断、物理信息方法、验证框架和主动学习等关键研究方向。这些方向的进展有望显著提升宇宙学研究的精度和效率，并为发现新的天文现象提供可能。

🎯 应用场景

该研究成果可应用于大规模天文数据分析、宇宙学参数估计、暗能量和暗物质性质研究等领域。通过提升AI/ML方法在宇宙学研究中的性能和可靠性，有望更精确地理解宇宙的演化和基本构成，并为未来的天文观测项目提供指导。

📄 摘要（原文）

The Vera C. Rubin Observatory's Legacy Survey of Space and Time (LSST) will produce unprecedented volumes of heterogeneous astronomical data (images, catalogs, and alerts) that challenge traditional analysis pipelines. The LSST Dark Energy Science Collaboration (DESC) aims to derive robust constraints on dark energy and dark matter from these data, requiring methods that are statistically powerful, scalable, and operationally reliable. Artificial intelligence and machine learning (AI/ML) are already embedded across DESC science workflows, from photometric redshifts and transient classification to weak lensing inference and cosmological simulations. Yet their utility for precision cosmology hinges on trustworthy uncertainty quantification, robustness to covariate shift and model misspecification, and reproducible integration within scientific pipelines. This white paper surveys the current landscape of AI/ML across DESC's primary cosmological probes and cross-cutting analyses, revealing that the same core methodologies and fundamental challenges recur across disparate science cases. Since progress on these cross-cutting challenges would benefit multiple probes simultaneously, we identify key methodological research priorities, including Bayesian inference at scale, physics-informed methods, validation frameworks, and active learning for discovery. With an eye on emerging techniques, we also explore the potential of the latest foundation model methodologies and LLM-driven agentic AI systems to reshape DESC workflows, provided their deployment is coupled with rigorous evaluation and governance. Finally, we discuss critical software, computing, data infrastructure, and human capital requirements for the successful deployment of these new methodologies, and consider associated risks and opportunities for broader coordination with external actors.