栏目介绍
“天文信息学与天文统计学”栏目是 Universe 期刊11个学科栏目之一，目前，该栏目由6位来自全球的知名学者担任编委会成员，为栏目发展提供坚实的学术支持，包括北京科技大学邱波教授、德克萨斯大学里奥格兰德河谷分校Soma Mukherjee教授、新加坡国立大学Alvin J. K. Chua助理教授和英国伦敦大学学院Jason McEwen教授等知名学者，中国科学院国家天文台张彦霞研究员担任该栏目主编，负责统筹学术方向、把控稿件质量，引领栏目聚焦学科前沿、推动跨学科交流，搭建全球优质学术成果交流平台。
栏目主编
张彦霞 研究员 中国科学院国家天文台
中国科学院国家天文台研究员、博士生导师，天体物理学博士，首届国际天文统计学会会士。现任北京天文学会副秘书长、中国天文学会女天文工作者工作委员会副主任；2024年至今，担任国际天文学联合会 (IAU) B3委员会天文信息学与天文统计学秘书。同时兼任 Frontiers in Astronomy and Space Sciences 天文统计专栏副编辑、自然子刊 Scientific Reports 编委。历任国际天文学联合会 (IAU) B3委员会天文信息学与天文统计学组委会委员 (2015-2021年)、IAU第5委员会天文信息学与天文统计学工作组组委会委员 (2012-2015年)，曾任北京天文学会监事。截至目前，已在国内外核心学术期刊发表科技论文近200篇，主要研究方向为天文信息学、天文统计学、多波段天文学、时域天文学、类星体与活动星系核。
栏目信息
“天文信息学与天文统计学”栏目致力于构建一个涵盖天文学、天体物理学、统计学、计算机科学及数据科学交叉领域的跨学科交流平台。栏目聚焦于统计方法、计算方法及数据密集型方法的开发、验证与应用，旨在从现代天文观测、数值模拟和天文档案数据中实现可靠的科学发现。
当前及下一代观测设备，包括Rubin/LSST、 SKA、Euclid、CSST以及其他地面和空间天文项目，产出的数据体量持续增长、数据结构日趋复杂、数据类型更加多元、观测获取速度不断加快，这要求我们发展超越传统数据分析方法的可扩展方法论。本栏目欢迎原创研究论文、综述、观点文章、技术研究、软件论文、基准测试研究以及可复现数据产品等各类投稿，旨在推动数据驱动天文学方法论基础的不断发展。
栏目主题涵盖 (但不限于) 以下方向：
面向天文与宇宙学数据的统计推断，包括贝叶斯方法、频率学派方法、分层模型及似然自由方法；
不确定性量化、概率校准、模型比较、测量误差建模，以及选择效应、截尾数据和巡天不完备性的处理；
机器学习、深度学习、基础模型、生成模型、科学机器学习，以及融合物理信息或不确定性感知的人工智能方法；
面向天文研究的可解释、可信赖及可复现的人工智能方法；
可扩展算法、高性能与分布式计算、云端分析、科学工作流程及研究软件；
天文数据库、档案系统、数据标准、互操作性、数据溯源、可视化及开放科学基础设施；
时间序列分析、暂现源探测、变源刻画、异常检测及实时警报处理；
多模态、多波段、跨巡天及多信使数据融合 (涵盖电磁辐射、引力波、中微子和宇宙射线)；
基于模拟的推断、代理建模、仿真替代模型，以及观测与数值模拟的统计比较；
群体推断、空间统计、图像与光谱分析、源分类、参数估计及大规模天文巡天中的科学发现；
基准数据集、验证协议、域适应、迁移学习，以及评估跨仪器、跨巡天稳健性与泛化能力的方法。
栏目特别鼓励以特定天文或天文现象为研究对象，引入、严谨验证或实质性改进了统计、计算或信息科学方法的投稿。
关键词包括：天文信息学；天文统计学；天文数据科学；机器学习与人工智能；深度学习与基础模型；科学机器学习；贝叶斯与统计推断；不确定性量化与校准；基于模拟的推断；时域天文学；暂现源与变源分析；多信使天文学；多模态与多波段数据融合；大规模天文巡天；高性能与分布式计算；天文数据库与数据基础设施；科学工作流程与研究软件；数据溯源与互操作性；可复现与开放科学；可解释与可信赖的人工智能。
进入栏目主页：https://www.mdpi.com/journal/universe/sections/astroinformatics_astrostatistics
精选文章
1.A Comprehensive Guide to Interpretable AI-Powered Discoveries in Astronomy
可解释AI如何驱动天文学发现的全面指南
Maggie Lieu
https://www.mdpi.com/2218-1997/11/6/187
文章亮点
系统性的综述框架：全面梳理了天文学领域中可解释AI的核心概念、方法体系与应用场景，为该领域的研究者提供了完整的知识图谱。
强调“多方法融合”策略：明确提出不应依赖单一解释方法，而应综合多种可解释技术从不同视角构建稳健的解释，以提升解释的可靠性与完整性。
确立可解释性作为科学验证基石：强调可解释AI不仅是技术需求，更是科学发现可信度的保障，能够有效帮助天文研究者验证结果、识别偏差、理解模型局限，最终实现真正可信赖的AI驱动型天文学研究。
2.Accelerated and Energy-Efficient Galaxy Detection: Integrating Deep Learning with Tensor Methods for Astronomical Imaging
加速且节能的星系探测：深度学习方法与张量方法在天文成像中的融合
Humberto Farias et al.
https://www.mdpi.com/2218-1997/11/2/73
文章亮点
创新性地融合张量分解与目标检测框架：首次将张量分解技术集成到Faster R-CNN中，提出T-Faster R-CNN模型，在星系分类任务中实现计算效率与精度的双重优化。
显著降低计算资源消耗与环境影响：通过模型压缩，大幅减少了模型复杂度、内存占用及CO₂排放，践行了“绿色代码”理念，为可持续计算天文学提供了实践范例。
验证了大规模巡天数据的高效处理能力：利用Galaxy Zoo DECaLS真实数据验证了模型的有效性——在mAP仅下降1个百分点 (94%→93%) 的前提下，推理速度提升约50%，证实了该资源节约型方法可在不影响分类精度的前提下高效处理大规模天文数据，具有重要的推广应用价值。
3.Self-Supervised Spectral Representation Learning for LAMOST
面向LAMOST的自监督光谱表示学习
Wenjun Zhang et al.
https://www.mdpi.com/2218-1997/12/6/181
文章亮点
创新的自监督对比学习框架：首次将自监督对比学习与FAISS高效相似性搜索相结合，构建了一套无需标签和预定义模板的光谱相似性检索系统，突破了传统方法的局限性。
卓越的检索性能与稳健性：在晚型M8星 (前1000条结果中90.5%的光谱型晚于M6)、M0–M5巨星 (平均准确率94.8%) 及碳星 (90.8%) 等多项检索任务中均取得了优异表现，证实了框架的泛化能力和高可靠性。
实际科学发现能力验证：以C-H星为查询输入，成功从LAMOST数据中检索确认了255颗C-H星和47颗C-R星，展示了该方法在发掘稀有、特殊恒星族方面的强大能力，为天文大数据挖掘提供了高效实用的新工具。
特刊推荐
New Discoveries in Astronomical Data (II)
天文数据中的新发现 (II)
客座编辑：Prof. Dr. Yanxia Zhang and Prof. Dr. A-Li Luo
投稿截止日期：2026年10月31日
进入特刊主页：https://www.mdpi.com/si/271691
Advances in Machine Learning Techniques in Cosmology and Particle Physics
宇宙学与粒子物理中机器学习技术的进展
客座编辑：Dr. Esteban González and Dr. Carlos Maldonado
投稿截止日期：2027年1月31日
进入特刊主页：https://www.mdpi.com/si/263589
Universe 期刊介绍
主编：Lorenzo Iorio, Ministero dell' Istruzione e del Merito, Italy
期刊发表范围涵盖宇宙学、引力、场论、量子力学基础、核物理与粒子物理、天体物理与天文学以及空间科学等研究领域。自2015年创刊以来，被SCIE、Scopus、ADS等多个权威数据库收录。
2025 Impact Factor：2.5
2025 CiteScore：5.0
Time to First Decision：20.8 Days
Acceptance to Publication：2.9 Days
期刊主页：https://www.mdpi.com/journal/universe
转载本文请联系原作者获取授权，同时请注明本文来自MDPI开放科学科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3516770-1550337.html?mobile=1
收藏
