近日，数理学院统计学2023级研究生朱世伟与导师团队合作的研究成果《Dual-coding Contrastive Learning Based on the ConvNeXt and ViT Models for Morphological Classification of Galaxies in COSMOS-Web》在国际学术期刊《The Astrophysical Journal Supplement Series》（中科院二区TOP期刊，影响因子IF=8.50）发表，论文通讯作者为数理学院方官文研究员。
本研究基于自监督机器学习算法，对詹姆斯·韦伯空间望远镜（JWST）拍摄的星系图像进行形态分类。以COSMOS-Web星系样本（0.5 < z < 6.0）为研究对象，通过构建正负样本对实现特征提取与降维，最终得出10组高置信度样本集，并结合监督学习方法完成全部样本的分类。该方法采用双编码对比学习策略，解决了对先验知识的依赖，在保持较高准确率的同时，并且自适应于不同天区观测设备的差别，可高效地对大量星系图像进行形态分类。本研究为应对下一代大规模巡天项目（如Euclid、Rubin、Roman及即将投入运行的CSST）所产生的海量高分辨率多波段图像数据，提供了一种高效且适应性强的分类解决方案。（撰稿：朱世伟、郑奕锐；审核：张海）
