面向AI生成的望远镜调度决策的多级验证与可追溯性框架

# 1 引言 来源：https://arxiv.org/html/2606.26585 ###### 摘要 随着人工智能逐步引入望远镜调度，基于AI的决策在处理复杂多约束问题方面展现出优势。然而，其输出常常存在数据引用不一致、推理错误以及决策不可执行等问题，限制了在高可靠性观测任务中的应用。本文提出了一种多级验证与可追溯推理框架，在执行前对AI生成的决策进行系统性的可靠性验证，并对推理过程进行显式表示以支持可追溯决策。该框架集成了数据引用验证、逻辑一致性检查以及观测与仪器约束验证，以过滤和纠正无效决策。同时，引入原子推理单元及其依赖关系，将调度决策表示为一连串相互连接的推理步骤，支持错误定位和事后分析。实验表明，该框架提升了AI调度的可执行性和可靠性，减少了瞬变源机会的损失。特别是，反馈修正和对推理步骤的结构化验证增强了修复和阻断错误决策的能力，尤其在复杂场景下。与纯AI方法相比，该框架增强的方法在保持灵活性的同时，显著提高了可靠性和可执行性。这些结果表明，将AI应用于高可靠性天文观测调度是一条可行且可验证的路径。 ###### 关键词: 天文信息学；望远镜调度；人工智能；可靠性验证 \\pubvolume 1\\issuenum1\\articlenumber0\\externaleditorFirstname Lastname\\datereceived2026年5月3日\\daterevised2026年6月1日\\dateaccepted2026年6月7日\\datepublished\\Title面向AI生成望远镜调度决策的多级验证与可追溯框架\\AuthorHengchu Xiao1,2\\orcidAand Chuanjun Wang1,2,3,4,5,\*\\orcidB\\AuthorNamesHengchu Xiao, Chuanjun Wang\\corres通讯作者: [email protected]

随着时域天文学的快速发展，大规模巡天、瞬变源快速后随观测等任务对望远镜调度系统提出了越来越高的要求。这些系统期望在多重目标、多约束和动态变化的条件下最大化科学产出，同时减少高价值目标的观测机会损失。空间与时间遗产巡天（LSST）(Ivezić et al.,2019) 预计每晚产生数百万条警报，使得从海量警报流中筛选目标变得极为复杂。天文学家必须在极短时间内在多个平台上管理异构警报流，并执行自动调度和后随确认。目前，光谱观测资源的增长速度远低于瞬变源探测。因此，如何高效地将有限的观测资源分配给高价值目标，以最大化科学回报，已成为时域天文学背景下望远镜及望远镜阵列调度的关键任务。例如，当ZTF等巡天发布瞬变源警报时，调度器必须决定在GROWTH或LCOGT等异构后随网络中最适合执行观测的望远镜（以及相应的仪器组合）。在单望远镜调度中，决策需要评估目标的可观测窗口、观测条件、科学优先级、仪器可用性和曝光时间，以确定是否中断当前任务以及使用哪套仪器。Pan-STARRS(Magnier et al.,2020) 和Mini-SiTian项目(Han et al.,2025) 等大规模巡天系统表明，使用多台小望远镜可以高效地进行宽场巡天。分布在全球的望远镜在口径、探测器灵敏度、环境条件、目标亮度及科学目标上各不相同。在此类异构条件下推导出全局最优且高效的调度策略，仍是现有方法的最终目标。本文中，“望远镜阵列”指一组分布式的、可能异构的望远镜（不同口径、仪器和台址），而非由相同单元组成的射电干涉阵列。

近年来，望远镜阵列调度算法取得了显著进展。例如，Naghib et al. (2019) 提出了一种基于特征的自动调度方法，展示了自动调度在望远镜观测中的可行性。Zhang et al. (2023) 开发了一种面向宽场时域巡天的分布式多层调度框架，在不同粒度上平衡全局协调和局部灵活性。Jia et al. (2023) 引入了带有奖励和惩罚机制的强化学习，提高了调度系统的自学习能力。Chen et al. (2024) 将贪心算法应用于大规模巡天调度问题。在分层调度方法的基础上，Zhang et al. (2024) 进一步提出了基于图的强化学习方法，利用图神经网络增强望远镜间的协调性并提升调度性能。Ju et al. (2025) 引入了一种基于整数规划的调度框架，以减少接力观测节点之间的时间延迟，从而提高整体观测效率。然而，时域巡天调度仍然是一个高度复杂且动态的问题，需要实时决策以快速分配资源，从而最大化科学产出。为了应对这一挑战，先前的研究不断引入更复杂的网络结构和自适应强化学习方法，以增强调度决策的全局优化能力。大规模时域巡天受众多因素影响，调度过程必须考虑多个动态约束，包括目标优先级、可观测窗口、仪器状态和环境条件。因此，将复杂模型结构与自适应学习策略相结合，已成为提升全局决策能力并实现潜在最优调度性能的重要方向。

大型语言模型（LLMs）凭借其强大的语义理解能力，为复杂多源警报场景下的多目标权衡和多潜在约束决策提供了新的解决方案。Cao et al. (2025) 提出将深度神经网络与REINFORCE算法相结合，以提升模型的全局决策能力。在Vera C. Rubin天文台的瞬变源探测与分类流程中，广泛使用了各种人工智能工具(Rehemtulla et al.,2025)。Huang et al. (2024) 对人工智能在光学望远镜中的应用进行了全面综述，强调了其在望远镜状态监测和观测决策优化方面的优势，并指出这些领域可能成为未来研究的重要方向。然而，AI技术的滥用也引起了天文学界的担忧。Trotta (2025) 警告，不加区分地使用AI可能威胁学术研究的基础。与传统算法相比，AI推理缺乏明确的形式约束，难以消除对其输出可靠性的担忧（见表1）。因此，基于AI的方法尚未在高可靠性观测系统中得到直接有效的采用。

表1: 望远镜调度中AI故障模式的分类及其相应的验证机制。

目前，LLMs在天文学中的研究呈现一定的不平衡性。大多数工作集中于提升模型的内在能力，而对模型输出在生成前后的可靠性关注不足。LLMs固有的“幻觉”现象使其在关键任务中的可靠性难以得到充分保障，并逐渐成为观测调度智能化的主要瓶颈。这严重限制了此类方法在严谨天文场景中的大规模应用。当前有效的应用主要集中在教育和研究领域，例如基于大量科学文献训练的天文专用LLMs(de Haan et al.,2025)。Wang et al. (2025) 探索了LLMs在宽场时域巡天调度中的应用。然而，现有LLMs在天文学中的集成并未明确解决AI输出的可靠性问题。因此，由于可靠性方面的担忧，基于LLM的方法尚未在高可靠性运行环境中得到广泛采用，这也促使了我们提出验证框架。

基于以上考虑，为应对AI驱动望远镜调度的可靠性限制，我们提出了一种结合多级验证与可追溯推理表示的框架。一方面，该框架在观测前对调度决策的可执行性、一致性以及天文学和仪器约束进行系统性验证，从而防止不可执行的调度方案被执行。另一方面，将调度决策的依据组织成可追溯的结构化推理表示，使决策过程可审计，并支持错误定位和结果验证。通过这些组件，所提出的框架在保持AI调度灵活性的同时，提高了AI生成调度结果在真实观测环境中的可靠性。

## 2 可靠性验证框架

### 2.1 总体设计与工作流程

所提出的多级验证与可追溯推理框架位于AI生成的调度提案与观测命令执行之间。该框架在不干预AI决策生成过程的前提下，基于主张、论证和支持证据的原始推理结构，重新设计了模型输入和输出表示（见图1），然后对生成的调度提案在可执行性和数据一致性方面进行预执行评估，并提供关于AI生成决策的独立性、可追溯性、可复用性和快速可修正性的可执行验证。图2展示了所提框架的总体工作流程。在整体流程中，LLM首先基于结构化输入（包括当前警报信息、仪器状态、科学目标和内部数据表示）生成调度提案。然后，生成的提案被送入验证框架，进行多级一致性检查和原子推理验证。只有通过所有验证阶段的提案才会被转发到后续执行过程，未通过的则被阻断。当启用用户反馈时，未通过提案的验证结果会被返回到AI输入阶段，以支持后续优化。

参阅图注图1: 传统与结构化AI调度决策输出的比较。

该框架的核心是判断生成的调度提案在当前观测、仪器和环境条件下是否逻辑一致且物理可执行。换句话说，它评估输出的正确性而非最优性。调度策略的优化仍由模型自身负责，而验证框架作为一个独立的验证层。此外，历史验证结果被用于构建高质量训练数据，形成AI模型与验证过程之间的闭环交互。每个模型输出都被映射为结构化的推理表示，其中推理步骤被分解为原子因果链，并进行存储以备后续复用和仲裁。通过这种方式，系统在保持AI决策灵活性的同时，实现了可执行验证、反馈驱动修正以及推理过程的系统审计。

参阅图注图2: 分级验证与可视化决策框架流程图。

### 2.2 调度决策的结构化表示

AI生成的调度决策通常以自然语言表达，不适合自动验证。因此，需要将其转换为结构化表示以支持一致性和约束验证。这种表示仅保留验证必要的信息。完整的调度提案结构化为主张、论证和支持证据，遵循人类推理和问题诊断中使用的传统逻辑过程。通过在多个层次上进行自动验证和基于数据库的检查，该框架提高了发现全局约束缺失、数据引用不一致以及调度决策与观测或仪器条件冲突等问题的能力。本框架中调度提案的结构化表示包括以下元素：（1）表示调度任务的唯一标识符；（2）AI生成的调度决策或操作指令；（3）连接数据与决策的推理或理由；（4）支持决策的数据源或观测条件。通过显式表示这些元素，调度提案中的关键依赖关系从隐式信息转化为可访问和可分析的结构。因此，验证过程不再依赖于对自然语言输出的主观解释，而是基于显式的数据引用和因果关系。该表示的另一个目标是降低验证的复杂性，而不是约束模型的生成过程或表达灵活性。具体字段的组织方式可能因系统实现而异，但这不影响本文提出的验证方法论。

### 2.3 推理一致性及约束验证

本节描述了多级验证框架的核心机制，包括对数据引用一致性的层次检查、推理链的逻辑一致性以及天文和仪器约束的符合性。