门纳德用 Claude Science 智能体团队补全三分之一未观测天区，做出首张完整紫外全天图

该工作产出了首张完整的紫外全天图，覆盖整个天空，其中约三分之一（包括银河平面的大部分）为预测值而非实测值。 此前可展示的紫外全天图“满是空洞”：GALEX 在 2003 至 2013 年间以约 38,000 次观测覆盖约三分之二天空，但因担心损伤探测器而刻意跳过亮星密集区域，Swift、FIMS/SPEAR 等数据合并后仍有缺失。 文中说明地图附有逐像素的“实测/预测”标注与不确定度估计，使预测区域与实测区域可被区分和追溯。

缺失天区由图像修复方法结合多波段信息估计：模型在已有紫外数据的三分之二天空上学习紫外亮度与可见光、红外、射电的关系，再外推到无紫外数据的三分之一天空，并给出逐点置信度。 把机器学习的图像修复与天文学多波段经验关系结合，替代了需要数周逐像素校准与反复分析的纯统计补全流程。 作者用留出法检验：故意隐藏已有紫外数据的部分区域，经数轮改进后模型对隐藏数据的估计与真实紫外测量相差约 10%，文中称这一差异几乎不可被人眼察觉。

在修复得到的弥散背景之上，地图叠加了由 ESA Gaia 卫星可见光测量推断的逾一亿颗单星的紫外光估计。 把弥散紫外背景与逐星贡献分层组合，使最终地图同时呈现尘埃云、大尺度尘埃环与环状结构、远离银道面的暗弱尘埃纤维，以及大、小麦哲伦云等结构。 该叠加基于公开的 Gaia 测量推断，属于地图构建流程的组成部分，文中未给出逐星估计的独立精度检验。

流程由 Claude Science 编排的多个 AI 智能体并行执行：检索并下载公开紫外巡天数据、消除亮星周围眩光使各巡天内部自洽、跨仪器交叉定标并统一分辨率与坐标系、执行修复与叠加。 作者称这类逐像素校准的“低优先级”工作通常被搁置，而此次在数天内完成十余个逐步改进的地图版本，且作者本人只负责高层指导。 文中给出具体过程性证据：智能体在 38,000 次 GALEX 观测中修正残余大气辉光后，作者肉眼可见的圆形观测足迹消失；作者也记录了智能体两轮审查未发现该问题、由人工发现后修正的经过。

该地图面向教学与结构展示，也面向需要完整紫外覆盖作为参考的天文使用者；其适用前提是公开巡天数据可得，且缺失区域与已有观测区域之间存在可学习的多波段关系。方法上，修复依赖可见光、红外与射电的辅助观测，因此对辅助波段同样缺失或关系失效的区域，预测的可靠性需要另行判断。作者也指出，这类逐像素校准工作此前因耗时数周而被搁置，如今在智能体协助下可在数天内推进，这为其他领域积压的图件与资源类项目提供了可复制的组织方式。

读者仍需留意：约三分之一天空的紫外亮度是模型估计而非实测，其可信度取决于多波段关系在无紫外数据区域是否成立，文中以逐像素不确定度层来承载这一信息。留出检验给出约 10% 的偏差，但该检验是在已有紫外数据的区域内构造的，与真正未观测区域的条件是否完全一致，文中未展开。此外，地图的最终质量还依赖对残余大气辉光等系统效应的清除是否彻底，作者记录的圆形足迹问题提示此类效应可能以肉眼可见的形式残留。