确定恒星年龄对天文学研究至关重要，但传统观测手段难以直接实现。多伦多大学天文学家团队开发出名为ChronoFlow的人工智能模型，通过分析星团中旋转恒星的数据集，利用机器学习技术揭示恒星自转速度随年龄变化的规律。该研究成果发表于《天体物理学杂志》，其预测精度超越现有分析模型。

“第一个‘哇’的时刻是在概念验证阶段，当时我们意识到这项技术实际上显示出很大的前景。”项目负责人、艺术与科学学院戴维·A·邓拉普天文学和天体物理学系博士生菲尔·范莱恩表示。研究团队联合统计科学与天体统计学领域的助理教授Josh Speagle和Gwen Eadie，整合了两种传统方法：利用星团中质量差异导致的恒星演化阶段差异，以及恒星自转速度随年龄增长因磁场与恒星风相互作用而减缓的现象。

ChronoFlow系统基于开普勒、K2、TESS和GAIA等巡天项目的数据，构建了包含30余个不同年龄星团、约8000颗恒星的自转恒星目录。通过训练AI模型，该系统成功模拟了恒星群自转速度的时变特征。“这就像通过不同年龄段的人群照片来猜测新照片中人物的年龄，”全程指导项目的Speagle教授比喻道，“恒星群年龄相同，但单颗恒星年龄未知，我们的模型解决了这一难题。”

该模型不仅为理解恒星运作机制提供关键工具，更对系外行星演化及银河系历史研究具有重要价值。ChronoFlow的成功验证了机器学习在解决天体物理问题中的潜力，其代码与文档已通过GitHub向公众开放，支持全球研究者利用观测数据推断恒星年龄。

更多信息： Phil R. Van-Lane 等，《ChronoFlow：回旋年代学的数据驱动模型》，《天体物理学杂志》(2025)。期刊信息： 天体物理学杂志