これだけ長く宇宙を観測しているのに、なぜ新しい小惑星や系外惑星、珍しい銀河、突発現象が今も見つかり続けるのでしょうか。理由の一つは、望遠鏡が新しい空を見ているからです。しかし、もう一つ見落とせない理由があります。人類はすでに撮影したデータを、まだすべての問い、すべての方法で読み終えたわけではないのです。Hubbleの過去画像やKepler・TESSの公開データが、新しいアルゴリズムで再解析され、新たな候補や未知の特徴を生み出している事例が実際にあります。
AIと天文データの公開は、その読み直せる範囲を広げます。ただし、AIが画像や時系列から候補を抽出した瞬間に新天体が正式発見されたわけではありません。小惑星なら既知天体との照合や複数夜の位置観測、軌道決定、Minor Planet Center（MPC）への報告が必要になり、系外惑星なら偽陽性を排除する検証・追観測や統計的検証が必要です。NASA Exoplanet Archiveも、十分な観測・検証を経て、系外惑星として確認された天体としての収録に十分な追観測・検証と査読済み文献を求めています。
だから「望遠鏡が高性能になるから」「AIが賢くなるから」という説明だけでは足りません。NSF–DOE Vera C. Rubin ObservatoryのLSSTは2026年6月に始まり、夜ごとに約10テラバイト規模のデータを生み、将来的には一晩最大約700万件の変化アラートを生成する設計です。しかしアラートは新天体数ではなく、既知天体の変化や一過性現象などを含む機械処理上の通知です。実際、Rubinはこの量を人間が直接読むのではなく、Alert Brokerが分類・クロスマッチ・優先順位付けすることを前提としています。
この記事が検証するのは、天文学のボトルネックが「宇宙を見ること」から「すでに見えている膨大な情報の中から未知を選び、確かめること」へ移りつつあるのかという問いです。結論を先に言えば、データ豊富な分野ではその移動はすでに始まっていると見る根拠があります。ただしそれは天文学全体に一様な変化ではなく、AI候補の増加が正式発見数の増加になるためには、公開、標準化、計算環境、追観測、検証、報告までを含む発見インフラ全体が追いつく必要があります。
AIと情報公開で「新しい天体」は本当に増えていくのか
人間が発見できる対象・現象は増える可能性が高い一方、正式に確認された新天体が同じ割合で増えるとは限りません。ここで増えるのは宇宙そのものの天体数ではなく、観測済み情報から人間が識別・検証できる範囲です。
2026年は、この違いを考えるうえで象徴的な年です。Rubin ObservatoryのLSSTは第1年の起算日を2026年6月29日として始まり、6月30日に正式開始が発表されました。Rubinは一晩に約10テラバイト、10年間で約30ペタバイト規模の観測データを生成する計画で、同じ空域を繰り返し観測することで何があるかだけでなく何が変わったかを大量に記録します。
しかし、観測量が増えれば科学的発見が同じ比率で増える、とは言えません。Rubinの科学アラートは2026年2月24日の夜に本格的な最初の生成が行われ、その夜だけで約80万件でした。将来は最大約700万件／夜が想定されていますが、これらは700万個の新天体ではありません。差分画像で検出された明るさや位置の変化についての通知であり、既知変光星、既知小天体、超新星候補、アーティファクトその他が混在します。
しかも2026年8月19日時点では、Rubinのアラート・データ公開体制は最終形ではありません。Early Science Programによればアラートは2026年2月から配信されていますが、年次処理で通常作られるテンプレート画像が必要なため、Data Release 1（DR1）以前はフルスケール運用ができません。Early Data Preview 2は2026年7月27日に先行公開されたものの、訪問画像・差分画像を含む完全版DP2は2026年10～12月が目標で、最初の年次DR1は2028年6月末までの提供予定です。つまりRubin時代の発見増加はすでに始まった運用実績と、まだ将来の能力を分けて評価する必要があります。
ここから導けるのは、観測能力から情報処理能力へボトルネックが完全に移ったという強い断言ではありません。むしろ、観測能力を拡大した結果、情報処理・候補選別・確認という別の制約が前面に出てきたと捉える方が正確です。
まず「発見」を分解する――候補・検出・確認は同じではない
新しい天体の発見数を一つの数字にまとめると、天文学上の意味を失います。太陽系小天体、系外惑星、恒星・銀河、突発天体では発見の出口が異なるからです。
太陽系小天体では、画像上の点や軌跡を検出しただけでは十分ではありません。MPCは小惑星・彗星の位置観測と軌道情報を集約する国際的な中核機関で、新規報告が既知天体と同一でないかを照合し、十分な観測が得られれば Provisional Designation（仮符号）などの処理へ進めます。潜在的な地球近傍天体（軌道が地球の軌道付近まで接近する小惑星や彗星などの天体）では追加観測が特に重要で、孤立した一夜のTracklet（比較的短い時間内に取得された、同じ移動天体についての複数の位置観測をひとまとまりにしたもの）がただちに確定天体になるわけではありません。さらに仮符号と後のDiscovery Credit（「誰・どの観測所がその天体の発見者として認定されるか」という発見者としての功績・認定のこと）も同じ概念ではありません。
precoveryは、この工程を理解する重要な言葉です。これは天体が発見・認識された後、過去の画像を遡り、発見以前にすでに撮影されていた位置を見つけることです。MPCもprecoveryを過去の観測との同定として扱っています。precoveryは観測弧（ある天体について、最も古い観測から最も新しい観測までの時間的な長さ）を長くして軌道を改善できるため価値がありますが、過去画像を撮った施設が後年の発見者になったという意味ではありません。
系外惑星では、transit-like signal（惑星のトランジットに似た明るさの減少信号。この時点では惑星とは限らず、別の恒星や観測ノイズなどが原因の可能性もある）を検出した段階、TESS Object of Interest（TESSの観測から、詳しく調査する価値があると判断された対象・惑星候補）などの候補になった段階、validation（統計的検証）された段階、独立観測などによってconfirmation（確認）が進んだ段階を区別する必要があります。NASA Exoplanet Archiveは、confirmed planet（十分な証拠によって確認済みの系外惑星として扱われる天体）の収録基準として、false positive（偽陽性）である可能性が低いと判断できるだけの追観測・検証と、査読済み文献への掲載を要求しています。したがってAIが惑星らしさ99%などのスコアを付けたことだけでArchiveのconfirmed planetになるわけではありません。
恒星・銀河・クエーサー（非常に明るい活動銀河核の一種。銀河中心の超大質量ブラックホールへ物質が落ち込むことで、膨大なエネルギーを放射すると考えられている）では、MPCのような全分野共通の一つの発見登録制度で整理することが難しくなります。「カタログ未収録の天体」「既知天体だが未認識だった特殊な性質」「既知銀河内の珍しい構造」「新しいクラス候補」は科学的意味が異なります。2025年のHubble Legacy Archive異常検知研究で得られた重力レンズ候補や相互作用銀河は、まさに未知の性質・分類候補を見つける側の発見であって、すべてを新しく誕生した天体として数えるべきではありません。
突発天体（突然明るくなったり、短期間だけ観測できたりする天体・天文現象の総称。超新星や新星などが含まれる）も同様です。International Astronomical Union（IAU）のTransient Name Server（TNS）は2016年から新規天文トランジェント（時間とともに明るさなどが大きく変化する一時的な天文現象。「突発天体」とほぼ同じ意味で使われる）の公式報告機構となっていますが、発見報告による天文トランジェント名と、後の分光等による分類は区別されます。超新星のイベントを検出することと、どの型の超新星かを確認することは別工程です。
したがって本記事の「発見」は、単一イベントではなく以下の九段階で考えます。
観測する → 保存する → 公開・共有する → 検索・機械処理可能にする → AI等で候補を抽出する → 既知天体・他データと照合する → 追観測する → 科学的に検証する → 報告・認定・カタログ化する
このどこまで到達したかを示さずにAIが新天体を発見したと書くことが、現在のAI天文学を最も誤解させやすい表現です。
発見環境を変える三つの波――大量観測・オープンデータ・AI
第一の波は、RubinやZwicky Transient Facility（ZTF）に代表される時間領域サーベイの大量観測です。ZTFは2018年以来北天を高頻度で観測し、公開データリリースを継続しています。2026年時点の公開リリースページには2025年10月22日までの公開観測が含まれ、巨大な画像・検出・光度曲線データが提供されています。またZTF Alert Distribution Systemは一晩100万件超のアラートを処理できるとしています。これも100万個の新天体ではなく、機械的に選別すべきイベントストリームです。
第二の波は、公開アーカイブの再利用可能性です。ここで公開は二値ではありません。科学的再利用性は、保存されている → 外部取得できる → メタデータがある → 検索できる → 標準APIで機械取得できる → 他データと結合できる → 大量計算できる → コード・モデルを含め再現できるという段階を持ちます。
IVOAのTAPは大規模カタログを標準化された問い合わせ方法で検索できるようにし、ObsCoreは観測データをどの位置、時間、波長、データ種別の観測かといった共通メタデータで発見できるようにします。Virtual Observatoryの価値は、世界のファイルを一か所へ集めることではなく、異なる機関のサービスを機械的に発見・問い合わせしやすくする点にあります。これは天文アーカイブを倉庫から検索可能な知識基盤へ変える技術です。
第三の波がAI・機械学習です。ただしここでのAIは主として、画像分類、差分検出、時系列分類、異常検知、移動天体抽出、クロスマッチ補助、false positive除去、追観測順位付けに用いるモデルです。ChatGPT型の生成AIと同義ではありません。RubinのAlert Brokerも、機械学習を用いて大量アラートをフィルタリング・分類し、他カタログとの照合や追観測候補の絞り込みを行います。
Rubinではさらに重要な区別があります。世界向けのアラートはBrokerを通じて公開される一方、すべてのLSSTデータ製品が即時・無条件で世界公開されるわけではありません。Rubin Science Platform上のproprietaryなLSSTデータにはデータ権があり、処理画像や年次リリースには一定のproprietary periodが設定されています。つまり公開アラートがある、と、全生データ・全処理データへ全員が同条件でアクセスできるは別です。
NASAも同じ課題に別方向から対応しています。TESSデータはMASTに到着すると原則ただちに一般公開されますが、MAST全体ではミッションや観測プログラムによってproprietary期間を持つデータもあります。さらにNASAのFornax Initiativeは2026年、HEASARC、IRSA、MASTのクラウドデータをWebブラウザー上のJupyterLabから分析できるベータ環境を提供し始めました。データ公開の次の課題が巨大ファイルを各研究者が持ち帰ることではなく、計算をデータの近くへ持っていくことになっている例です。
ESAのGaiaもこの構造をよく示します。Gaiaの科学観測は2025年1月15日に終了しましたが、アーカイブの科学利用はこれからも続きます。2026年8月19日時点で公開済みの主要データはGaia DR3と2023年のFocused Product Releaseであり、DR4は2026年12月予定、全ミッションデータを含むDR5は2030年より前には予定されていません。つまり宇宙船の観測終了後にも、より大規模な再処理・公開によって発見可能な情報が増え続ける設計です。
「もう撮影されていた天体」を探す――アーカイブが第二の観測機会になる
公開アーカイブは再観測そのものではありません。しかし、新しい研究質問、新しいカタログ、新しいAI、新しい計算資源によって、過去の同じ画像から以前とは異なる情報を抽出できるという意味では第二の観測機会に似た役割を果たします。
象徴的なのがHubble Asteroid Hunterです。研究チームはHubble Space Telescopeのアーカイブ画像を対象に、市民科学で得た小惑星軌跡ラベルを深層学習の教師データとして用いました。2022年の査読論文では1,701本の小惑星軌跡が得られ、そのうち670本は454個の既知太陽系天体と対応し、1,031本は当時既知対象と対応しませんでした。NASAが2024年に紹介した後続研究では、19年間・約3万7,000枚のHubble画像と、1万1,000人超のボランティアによる約200万件のマーキングが機械学習用データに使われました。
ただし1,031個の新小惑星が正式発見されたとするのは誤りです。論文が示したのは既知天体と対応しなかった軌跡であり、Hubble画像中の短い軌跡だけでは通常、MPCで確定軌道を持つ新小惑星として正式化する情報が不足します。この研究が一般化できるのは、目的外で偶然写った情報をAIと市民科学で回収できるという点であり、そのまま正式な小惑星発見数へ換算できるという点ではありません。
さらに2025年の査読研究AnomalyMatchは、Hubble Legacy Archiveの約9,960万source cutout（大きな天文画像から、一つの光源や天体の周辺だけを小さく切り出した画像）を半教師あり学習・active learning（AIが人間に確認してもらえば特に学習効果が高そうなデータを優先的に選び、研究者の判断を学習に取り込む方法）で走査しました。ESAとNASAの2026年広報では、1000件を大きく超える真の異常例が抽出され、800件超が既存文献で記述されていなかったと報告されています。最終論文には86件の新しい重力レンズ候補、18件のクラゲ銀河、417件の合体・相互作用銀河などが含まれています。研究者自身が上位候補を目視確認しており、AIが独力で未知銀河を確定したという事例ではありません。
ここでは「教師あり分類」と「異常検知」の違いも重要です。系外惑星らしい既知パターンを大量に探す教師あり分類は、発見効率を上げやすい一方、教師ラベルに存在しない未知クラスを積極的に探す設計ではありません。AnomalyMatch型の異常検知は発見多様性を広げる可能性がありますが、統計的に珍しい画像と新しい天体物理現象は同義ではないため、最終判断には人間による解釈が必要です。
系外惑星ではExoMinerが別の役割を示します。2022年のExoMinerは、Keplerで既に検出されていたtransit signalを専門家のvetting（惑星候補について、本当に惑星か、それとも別の現象かを各種診断データから詳しく調べる選別・審査作業）に似た診断入力から分類し、301個の惑星を統計的にvalidationしました。論文のテストセットでは適合率を99%に固定した場合、再現率93.6%と報告されています。重要なのは、これは生の空画像から301惑星を新規検出したのではなく、既存のKepler候補群の真偽判定を高度化して正式な惑星ステータスへ進めた例だということです。
2025年に査読出版されたExoMiner++では、KeplerからTESSへのtransfer learning（あるデータで学習したAIの知識を、別の似たデータや課題へ応用する手法。ここではKeplerで得た学習結果をTESSの候補判定へ応用している）を使い、光度曲線だけでなく周期解析図、差分画像、観測中に光量が長期的に増減する傾向、宇宙機姿勢情報などを入力しました。14万7,568件の未ラベルTESS Threshold Crossing Eventsを処理し、7,330件を惑星候補と判定しましたが、その多くは既存TOI等と対応し、論文が新たに導入したCommunity TESS Objects of Interestは50件です。7,330件は7,330個のconfirmed planetではありません。 この研究の価値は、巨大候補空間を人間と追観測設備が見るべき順番に圧縮することにあります。
また2026年の査読論文では、TESS画像の時系列から移動天体を抽出するtrajectory-agnostic（特定の移動速度や移動方向をあらかじめ決め打ちしないという意味。この研究では、従来法のように速度・方向の範囲を狭く仮定せず、さまざまな動きの小惑星を扱えることを狙っている）な深層学習法が提案され、速度・移動方向をあらかじめ狭く仮定せず小惑星ピクセルを抽出する手法と学習データ生成コードが公開されました。しかしこの論文をAIが○個の新小惑星を正式発見した研究と読むべきではありません。これは主に検出手法を示す研究であり、MPC登録・軌道確定とは別段階です。
AIを使わないアーカイブ再解析も、同じ構造を示します。恒星のトランジット観測を主目的とするTESSは、2025年5月に偶然3I/ATLASを撮影していました。3I/ATLASが2025年7月1日に発見された後、公開TESSデータを遡ることで発見以前の位置情報・測光情報が得られました。これはTESSが3I/ATLASを最初に発見していたという意味ではなく、別目的の公開画像が後からprecoveryとして価値を獲得した事例です。
この一連の事例が示すのは、古いデータ＝古い情報ではないということです。当時の研究者が単純に見落としていたのではありません。画像の主目的、利用できるカタログ、計算速度、検出法、他データとの照合環境が違えば、同じFITSファイルから取り出せる科学情報の範囲も変わります。
AIは発見のどこを速くするのか――九段階の発見パイプライン
以下の「自動化度」は公式統計ではなく、2026年時点の実例をもとにした本記事の定性的整理です。同じ段階でも天体カテゴリーによって大きく異なります。
| 発見段階 | 自動化の現状 | 情報公開・AIが効く部分 | 人間・設備が残る部分 | 主なボトルネック |
|---|---|---|---|---|
| 観測する | 高～中 | 自動サーベイ、スケジューラ | 装置設計、観測戦略、感度 | 望遠鏡時間・天候・感度。Rubinは大規模自動サーベイを開始済み。 |
| 保存する | 高 | 自動パイプライン、長期アーカイブ | データ品質管理 | 容量・転送・長期保存 |
| 公開・共有する | 中 | MAST、Gaia Archive、SMOKA等 | 権利・公開時期の設定 | 専有期間、公開遅延。Rubinも製品別に権利が異なる。 |
| 検索・機械処理可能にする | 中～高 | メタデータ、TAP、ObsCore、API、クラウド | 標準設計・データキュレーション | 形式差、メタデータ品質、巨大データ転送。 |
| AI等で候補抽出 | 高い領域がある | 画像分類、時系列分類、異常検知、移動天体検出 | モデル設計、教師データ、閾値設定 | false positive、domain shift、未知クラス。 |
| 既知天体・他データと照合 | 高～中 | カタログ、VO、Broker、自動cross-match | 曖昧な同定判断 | カタログ不完全性、位置誤差、異種データ統合。 |
| 追観測する | 中～低 | ロボット望遠鏡・自動順位付け | 望遠鏡時間、波長選択、分光 | 候補増加時の最大級の希少資源 |
| 科学的に検証する | 中 | 統計的検証、自動選別 | 分光、軌道評価、独立観測、科学解釈 | false positive排除、教師ラベル、独立確認。 |
| 報告・認定・カタログ化 | 中 | 電子的報告、標準DB | 発見credit、責任ある判断、論文査読 | 制度上の基準とデータ品質。 |
この表から分かるのは、AIが最も直接効くのは観測や認定より中央部分、つまり候補生成・分類・照合・順位付けだということです。
Rubinのアラートシステムは典型例です。新しい画像を参照テンプレートと比較し、差分を検出してアラートを生成し、それをAlert Brokerへ送り、Brokerが大量のイベントを分類・クロスマッチして研究者に渡します。人間が夜ごと数百万件のアラートを読む代わりに、どれを人間と追観測装置に見せるかを計算機が決める構造です。
ここでAIの価値は発見者になることより、希少資源である人間の注意・追観測時間を配分することにあります。ExoMiner++が14万件超のTESSイベントを順位付けするのも同じ構造です。候補を作る能力が増えるほど、次の問題はどの候補を捨てずに残し、どれを高価な分光観測へ回すかに移ります。
どの天体が増えやすいのか――小惑星・系外惑星・突発天体を比較
AIと公開アーカイブの効果は、対象ごとにかなり異なります。AIとの相性がよいというだけでは正式発見が増えるかは判断できません。
| 対象 | AIとの相性 | アーカイブ活用 | 追観測依存 | 誤検出・正式化の壁 | 発見機会の増加 |
|---|---|---|---|---|---|
| 太陽系小天体 | 高。移動検出・tracklet処理・linkingに適する | 高。precoveryが軌道弧延長に有効 | 高。特に一夜だけの新規対象・NEO | 既知天体照合、複数夜観測、軌道決定、MPC報告 | 高いが確認能力に強く依存。Hubble・TESSの目的外画像も利用できる。 |
| 系外惑星 | 高。時系列分類・false positive選別に適する | 非常に高い。Kepler/TESS公開時系列を再解析可能 | 中～高。対象により統計validationや分光等が必要 | transit類似信号、食連星、光源混入、装置由来の偽信号 | 候補抽出・vettingで高いが、confirmed数への変換は追観測次第。 |
| 突発天体 | 非常に高い。リアルタイム分類が不可欠 | 中～高。過去baseline・host情報が重要 | 非常に高いことがある | 一過性アーティファクト、既知変動、分光分類 | イベント検出は大幅増が見込めるが、分類が渋滞しやすい。Rubinのalert streamが典型。 |
| 恒星・銀河等の異常天体 | 高。異常検知・画像分類・cross-matchに有効 | 非常に高い | 低～高で対象依存 | 「珍しい」ことと「新現象」の区別、モデルselection bias | 新しい性質・珍しい対象の発掘余地が大きい。Hubble AnomalyMatchが実証例。 |
特に発見効率と発見多様性を分ける必要があります。教師ありモデルで既知の小惑星・トランジット・超新星らしいものを拾うと、同じ種類の発見数は効率よく増やせます。しかしまだ名前のない種類を探すなら、異常検知や人間による探索、複数波長データのcross-matchが重要になります。
太陽系小天体では、Rubinのような広域反復観測とAI・自動linkingは相性が良い一方、軌道を決めるには時間方向の情報が不可欠です。逆に過去アーカイブは、新規発見そのものよりprecoveryによって軌道精度を高める価値を持ちます。3I/ATLASとTESSはその好例です。
系外惑星ではAIの候補絞り込み装置という性格が最も明瞭です。TESSのデータはMAST到着後に一般公開され、NASA Exoplanet ArchiveではTAPによるプログラム取得やbulk downloadも可能です。しかし候補データの量そのものが大きく、Keplerの全光度曲線だけでもテラバイト級になるため、公開されていることと誰もがローカルPCだけで全量解析できることには差があります。
2026年8月時点でNASAの系外惑星カタログは6,000個を超える確認済み惑星を扱っていますが、NASA Exoplanet Archiveは週単位で更新されるため、本記事では日々変動する総数を中心指標にしません。むしろ候補がconfirmed statusへ移行する率とそのために必要な追観測量を見る方が、AI時代の変化を測るうえで有益です。
最大の壁は「見つからないこと」から「確かめきれないこと」へ移るのか
この問いへの最も慎重な回答は、一部のデータ豊富な領域では、すでに移り始めている。ただし観測不足が消えたわけではないです。
Rubinのアラートを例に取ると、人間の目で全件確認するという選択肢は事実上成立しません。そこでBrokerが絞り込み、研究者は超新星、太陽系天体、重力レンズ、変光星など各自の関心に応じたストリームを受け取ります。候補不足よりどの候補を追うかが問題になる設計です。
しかしAIは、この渋滞を完全に解消するわけではありません。分類器にはfalse positiveだけでなくfalse negativeがあります。たとえばTESS Full Frame Image用のAstronet-Triage-v2はテストセットでtransiting/eclipsing eventに対して99.6%のrecallを報告しましたが、同じ運用点でprecisionは75.7%でした。これは見落としを減らす設定にすれば、確認すべき偽陽性も残るというトレードオフを具体的に示しています。この性能を別望遠鏡や未知クラスへそのまま外挿することはできません。
教師データにも制約があります。ExoMiner++はTESSだけのラベルではなく、比較的質の高いKeplerデータからのtransfer learningを使っています。これは教師データ不足を補う有力な方法である一方、望遠鏡が変わればpixel scale、noise、cadence、stellar populationも変わるため、Keplerで強かったモデルをTESSへ単純転用すればよいわけではありません。ExoMiner++論文自身がmission間のdomain differenceを前提に設計されています。
「未知の未知」を探す問題はさらに難しくなります。教師ありモデルが「既知クラスらしさ」で候補を優先するほど、人間がまだラベルを作っていない異常を低スコアにする可能性があります。そのためAnomalyMatchのような半教師あり・active learning、あるいは人間が新しい異常例をモデルに戻すhuman-in-the-loop設計が重要になります。
確認設備の不足も残ります。小惑星には追加astrometry、系外惑星には高分解能撮像や分光・視線速度測定、突発天体には迅速な多波長・分光フォローアップが必要になる場合があります。データ解析を高速化しても、物理的な望遠鏡時間はコピーできません。したがってAIは観測設備を不要にするのではなく、希少な観測時間をどこへ投入するかという選択問題をより重要にする可能性があります。
公開性にも格差があります。Rubinでは世界公開のアラートがある一方、proprietaryなデータ製品へのアクセスにはデータ権が関係します。NASA Fornaxのようなクラウド分析環境は巨大データ処理の障壁を下げますが、2026年時点ではベータ段階です。公開アーカイブの存在だけを根拠に「世界中の誰もが対等な条件でAI探索できる」と結論するのは早すぎます。
ここで2030年代初頭までを三つのシナリオに分けると、次のようになります。
| シナリオ | 条件 | 起こり得る結果 |
|---|---|---|
| 発見加速 | サーベイが安定稼働し、標準API・公開・計算資源・Broker・追観測能力も同時に拡張 | 候補だけでなく、確認済み小天体、惑星、分類済みtransient、珍しい天体の科学成果まで増える |
| 候補だけが急増 | 観測・AIは拡大するが、分光・軌道確定・人間レビューが追いつかない | アラート・候補数は急増する一方、正式化率が伸び悩む |
| データ分断 | 権利、公開時期、異なる形式、計算資源、標準化不足が残る | 技術的には解析可能でも、cross-archive発見や参加機会が限定される |
2026年8月時点では、単純なA・B・Cのどれか一つより、「Aが進みながらBの圧力が強まる」混合シナリオが最も証拠と整合的です。RubinはすでにLSSTとアラート配信を始めていますが、フルスケールalert productionはまだ先で、DP2自身も帯域制約を理由に段階公開されています。一方でIVOA標準、Alert Broker、NASA Fornaxのような分断を緩和するインフラも拡張しています。
日本から見える未来と、これから注目すべき「発見数以外」の指標
この変化は米国・欧州だけの話ではありません。国立天文台天文データセンター（Astronomy Data Center）は、SMOKA、Tomo-e Gozenの全天サーベイ積算データ、写真乾板アーカイブ、VizieRミラーなどを天文データアーカイブとして運用し、日本天文バーチャル天文台（Japanese Virtual Observatory、JVO）では世界のVirtual Observatoryサービスの検索や、すばる・ALMA・野辺山・Gaia・AKARIなどのデータ検索サービスを提供しています。
SMOKAはすばる望遠鏡をはじめ複数の国内望遠鏡の公開科学データを提供しており、2026年8月19日の公式表示では44,597,710フレームがアーカイブされています。検索自体に加え、FITSデータ取得にはユーザー登録が必要です。この一例だけでも、データが公開されていると、匿名で何の準備もなく全データを即解析できる、は別だと分かります。SMOKAからはTomo-e Gozenのstacked data・raw dataアーカイブにも接続されています。
JVOはさらに、Virtual Observatory的な横断検索の役割を担っています。世界のVOサービスから観測画像メタデータを自動収集するVO Crawlerを運用し、2025年3月にはスペクトルデータ約2億件を追加したと公表しています。これは日本でも、単なるファイル配布から検索・結合・大規模分析の方向へデータ基盤が進んでいる具体例です。
ただし一般の人でも今すぐ簡単に新天体を発見できるとは言えません。市民科学はHubble Asteroid Hunterのように実際の成果を生み、世界公開アラートや公開アーカイブも参加の入口を広げていますが、大規模解析にはPython等の技能、天文学的な品質管理、カタログ照合、計算環境が必要です。さらに正式な発見へ進めるには、研究者・観測施設・MPCやTNS等との連携が必要になる場合があります。
だから今後を見るとき、今年の新天体発見数だけを追うべきではありません。より重要なのは、公開アーカイブの機械可読化率、標準API対応、cross-match可能なデータセット数、AI候補のprecision・recall、候補から正式確認までの率と時間、追観測能力、アーカイブ由来のprecovery・再発見、複数アーカイブを横断した研究成果です。
その視点で見ると、天文学の発見ボトルネックは見る能力から全面的に移ったわけではありません。しかしデータが大量に存在する領域では、見るだけでなく、保存したものを再発見可能にし、意味のある候補へ圧縮し、限られた確認能力を正しい対象へ投入することこそが発見量を左右する比重を増していると考えるだけの証拠があります。Rubinの数百万alert時代、Hubbleのアーカイブ異常探索、Kepler/TESSのAI vetting、IVOAやFornaxの整備は、その変化の異なる部分を示しています。
そして最後に残るのは、断定ではなく検証可能な問いです。
人類がまだ知らない天体・現象の一部は、これから初めて撮影される空ではなく、すでに公開アーカイブの中で観測済みだが、まだ正しい方法で読まれていない情報として存在しているのではないでしょうか。
よくある疑問Q＆A
Q. AIだけで新しい天体を発見できますか？
検出・分類・順位付けの多くはAIで自動化できますが、通常はAIだけで正式発見まで完結しません。小惑星なら軌道・MPC報告、系外惑星ならfalse positive排除やvalidation、transientなら分類・追観測などが必要です。AIは特に「どの候補を人間が詳しく見るべきか」を決める工程で強力です。
Q. 公開されている昔の天文画像にも未発見天体は残っていますか？
残っている可能性は実証されています。ただし「未発見」の意味には注意が必要です。Hubble画像では既知天体に対応しない多数の小惑星軌跡が抽出されましたし、TESSには3I/ATLASが正式発見以前から写っていました。一方、それらがすべて新しい正式登録天体を意味するわけではありません。
Q. AIが見つけた「候補」は正式な発見ですか？
いいえ。ExoMiner++がTESSの14万件超の未ラベルイベントから7,330件をplanet candidateとしたことは、7,330個のconfirmed planet発見を意味しません。NASA Exoplanet Archiveへのconfirmed statusには別の検証条件があります。
Q. なぜ昔の研究者は画像をすべて確認できなかったのですか？
単純な見落としとは限りません。当時は別の科学目的で撮影され、現在のカタログ、AI、大規模計算環境、cross-matchサービスが存在しなかった場合があります。Hubble Asteroid Hunterでは、後年の市民科学ラベルと深層学習を組み合わせることで、膨大な既存画像を別の目的で系統的に探索できました。
Q. 今後どのような天体で発見が増えやすいですか？
広域反復観測と相性のよい太陽系小天体、機械的な時系列vettingが効く系外惑星候補、リアルタイム分類が必要なtransient、巨大画像アーカイブから探せる異常銀河などが有力です。ただし「候補が増えやすい対象」と「正式確認済み発見が増えやすい対象」は同じではありません。
Q. 一般の人でも公開データを使って天体探索に参加できますか？
参加の入口はあります。TESSデータは公開され、Rubin alertの一部は世界公開され、市民科学も実例があります。日本でもSMOKA、JVOなどが利用できます。ただし大規模AI解析や正式確認には技術、計算資源、専門知識、追観測との接続が必要で、「公開＝全員が対等に簡単に発見できる」ではありません。
Q. AIが進歩すると天文学者は必要なくなりますか？
現在の実例は逆に、人間の役割が候補の全件目視から、問題設定、教師データ設計、異常の意味づけ、追観測判断、統計検証、分光・軌道解析へ移る可能性を示しています。HubbleのAnomalyMatchでもAIが1000件超の異常を絞った後、研究者が候補を検査しています。
参考
NSF–DOE Vera C. Rubin Observatory（2026年6月30日）「Action! NSF–DOE Vera C. Rubin Observatory Begins Legacy Survey of Space and Time」Rubin Observatory、https://rubinobservatory.org/news/action-rubin-lsst-begins、閲覧日：2026年08月19日。
NSF–DOE Vera C. Rubin Observatory（更新2026年7月27日）「Early Science Program」Rubin Observatory、https://rubinobservatory.org/for-scientists/resources/early-science、閲覧日：2026年08月19日。
Zwicky Transient Facility（2026年閲覧時点）「ZTF Public Data Releases」California Institute of Technology、https://www.ztf.caltech.edu/ztf-public-releases.html、閲覧日：2026年08月19日。
Zwicky Transient Facility（2026年閲覧時点）「ZTF Alert Stream」California Institute of Technology、https://www.ztf.caltech.edu/ztf-alert-stream.html、閲覧日：2026年08月19日。
NASA（2026年閲覧時点）「TESS Frequently Asked Questions」TESS Science Support Center、https://heasarc.gsfc.nasa.gov/docs/tess/faq.html、閲覧日：2026年08月19日。
NASA（2026年3月20日）「How Open NASA Data on Comet 3I/ATLAS Will Power Future Discoveries」NASA Open Science、https://science.nasa.gov/open-science/interstellar-comet-3i-atlas-data/、閲覧日：2026年08月19日。
NASA（2026年2月5日更新情報を含む）「The Fornax Initiative」NASA Science、https://science.nasa.gov/astrophysics/programs/physics-of-the-cosmos/community/the-fornax-initiative/、閲覧日：2026年08月19日。
NASA Exoplanet Science Institute（更新2024年12月6日）「Exoplanet Criteria for Inclusion in the Archive」NASA Exoplanet Archive、https://exoplanetarchive.ipac.caltech.edu/docs/exoplanet_criteria.html、閲覧日：2026年08月19日。
NASA Exoplanet Science Institute（2026年）「NASA Exoplanet Archive」California Institute of Technology、https://exoplanetarchive.ipac.caltech.edu/、閲覧日：2026年08月19日。
NASA Exoplanet Science Institute（2026年）「Downloading Data in Bulk」NASA Exoplanet Archive、https://exoplanetarchive.ipac.caltech.edu/bulk_data_download/、閲覧日：2026年08月19日。
European Space Agency（2026年閲覧時点）「Gaia」ESA Science & Exploration、https://www.esa.int/Science_Exploration/Space_Science/Gaia、閲覧日：2026年08月19日。
International Virtual Observatory Alliance（2019年9月27日）「Table Access Protocol Version 1.1」IVOA Recommendation、https://www.ivoa.net/documents/TAP/、閲覧日：2026年08月19日。
International Virtual Observatory Alliance（2017年5月9日）「Observation Data Model Core Components, its Implementation in the Table Access Protocol Version 1.1」IVOA Recommendation、https://www.ivoa.net/documents/ObsCore/、閲覧日：2026年08月19日。
Minor Planet Center（2026年閲覧時点）「Minor Planet Center」International Astronomical Union、https://www.minorplanetcenter.net/、閲覧日：2026年08月19日。
Transient Name Server（2026年閲覧時点）「Transient Name Server」International Astronomical Union、https://www.wis-tns.org/、閲覧日：2026年08月19日。
国立天文台 天文データセンター（更新情報を2026年8月19日確認）「About ADC」国立天文台、https://www.adc.nao.ac.jp/E/base/about-adc.html、閲覧日：2026年08月19日。
国立天文台 日本天文バーチャル天文台（2026年）「JVO Project」国立天文台、https://jvo.nao.ac.jp/、閲覧日：2026年08月19日。
国立天文台 天文データセンター（2026年）「SMOKA ver 3.7」国立天文台、https://smoka.nao.ac.jp/、閲覧日：2026年08月19日。
Kruk, S. et al.（2022）「Hubble Asteroid Hunter I. Identifying asteroid trails in Hubble Space Telescope images」Astronomy & Astrophysics、DOI: 10.1051/0004-6361/202142998、閲覧日：2026年08月19日。
O’Ryan, D. & Gómez, P.（2025）「Identifying astrophysical anomalies in 99.6 million source cutouts from the Hubble legacy archive using AnomalyMatch」Astronomy & Astrophysics 704, A227、https://doi.org/10.1051/0004-6361/202555512、閲覧日：2026年08月19日。
Valizadegan, H. et al.（2022）「ExoMiner: A Highly Accurate and Explainable Deep Learning Classifier That Validates 301 New Exoplanets」The Astrophysical Journal 926, 120、https://doi.org/10.3847/1538-4357/ac4399、閲覧日：2026年08月19日。
Valizadegan, H. et al.（2025）「ExoMiner++ on TESS with Transfer Learning from Kepler: Transit Classification and Vetting Catalog for 2-min Data」The Astronomical Journal 170, 287、https://arxiv.org/abs/2502.09790、閲覧日：2026年08月19日。
Tey, E. et al.（2023）「Identifying Exoplanets with Deep Learning. V. Improved Light Curve Classification for TESS Full Frame Image Observations」The Astronomical Journal 165, 95、https://arxiv.org/abs/2301.01371、閲覧日：2026年08月19日。
Powell, B. P. et al.（2026）「Trajectory-agnostic Asteroid Detection in TESS with Deep Learning」The Astronomical Journal 172, 14、https://doi.org/10.3847/1538-3881/ae6cfc、閲覧日：2026年08月19日。
コメント