文章主要内容总结
该研究聚焦NASA的通用坐标网络(GCN)数据库,针对其30年来积累的40500余份非结构化“通报”(Circulars),提出基于大语言模型(LLMs)的自动化文本挖掘方案。核心工作包括三部分:一是构建神经主题建模管道,实现天体物理主题的自动聚类与总结;二是通过对比微调,完成观测波段(高能、光学、射电等)和引力波(GW)相关事件的分类;三是基于开源Mistral模型搭建零样本系统,结合提示工程、输出解析和检索增强生成(RAG),自动提取伽马射线暴(GRB)的红移等关键信息。实验验证显示,红移提取准确率达97.2%,相关通报检索召回率96.8%,为天文学 transient警报分析提供了高效自动化工具。
创新点
- 首次将神经主题建模(BERTopic)与LLM结合,实现GCN非结构化文本的主题自动发现与语义总结,无需人工标注主题标签。
- 提出对比微调策略优化嵌入模型,解决天体物理领域文本分类中“高维稀疏”和“语义混淆”问题,观测分类准确率提升至90%,GW相关分类准确率达98.3%。
- 构建零样本红移提取系统,无需专门训练数据,仅通过提示调优和RAG技术(关键词+神经搜索),实现多维度天体物理信息的高效提取,且可灵活扩展至其他参数提取任务。
- 开源全套工具链与数据集,为天文学文本挖掘提供可复用的标准化 pipeline,适配未来多信使天文学的海量数据处理需求。
Abstract 翻译
通用坐标网络(GCN)是NASA的时域和多信使警报系统,分发两种数据产品——自
订阅专栏 解锁全文
1320



被折叠的 条评论
为什么被折叠?



