天文学家在试图拍摄绕其他恒星运行的行星时面临着巨大的技术挑战；恒星的明亮光芒完全掩盖了来自行星的微弱光芒。尽管使用了“日冕仪”（coronagraphs）来遮挡星光，但望远镜指向和物理配置的细微差异会产生视觉“噪声”，阻碍了从周围行星中提取准确数据的能力。
克服“点扩散函数”障碍
核心问题在于一个被称为“点扩散函数”（Point Spread Function - PSF）的技术概念，它是对望远镜由于硬件缺陷或指向不精确而如何使光点失真并将其转化为模糊图像的数学描述。从历史上看，科学家们要么依靠拍摄已知目标来推断该函数，要么试图建立复杂的硬件数学模型，但两者都面临限制；传统模型包含大量难以精确调整的变量。
为了解决这一难题，研究团队开发了一种名为 FLIP（Physics-based Learning for Imaging Planets）的创新软件包。该技术受到人工智能方法，特别是用于训练大型神经网络的“梯度下降”（gradient descent）技术的启发，并将其应用于詹姆斯·韦伯望远镜上 NIRCam 仪器的物理模型。FLIP 允许调整模型中多达一百万个参数，利用图形处理器（GPUs），这一复杂过程仅需半小时即可完成。
行星观测的显著成果
测试证明，将该技术应用于已知周围存在行星的恒星（如 HIP 65426 和 51 Eridani）的数据时是有效的。FLIP 取得了突破性的技术成果，包括：
- 在某些观测中，将信噪比（SNR）提高了 1.5 到 2 倍。
- 在允许探测二氧化碳存在的波长范围内，首次观测到其中一颗行星。
- 将对恒星 TYC 5899 的观测灵敏度提高了 15 倍，该恒星的特点是观测值之间存在巨大变化。
实际会发生什么变化？
这一进展的重要性不仅在于提高现有图像的质量，还为天文研究开辟了新的视野：
- 发现新行星：通过降低噪声水平，观测更暗淡的行星将成为可能，例如那些更古老或质量更小的行星，它们此前一直隐藏在恒星的光芒之后。
- 诊断望远镜状态：可以通过调整软件来确定模型中发生最大变化的位置，这可能会提供有关望远镜组件物理状态及其随时间变化性能的有价值的技术信息。