美国能源部斯坦福直线加速器中心（SLAC）国家加速器实验室的研究人员开发出一种基于AI的数据压缩方法，可在大幅缩减海量科学实验原始数据体量的同时，完整保留对科学发现至关重要的细微特征。随着下一代大型科学装置数据产出量激增，传统存储与分析手段面临瓶颈，该方法为应对这一挑战提供了新路径。相关成果于2026年8月24日发表在《自然·机器智能》期刊上。

与传统压缩方式不同，该AI方法并非对数据集进行均匀压缩。其首先利用小波分析将数据按尺度分离，再由神经网络对不同尺度的特征分别编码，确保微小但关键的信息不被丢失，例如保留X射线图像中那些反映材料结构与动态变化的斑点。用户可根据需求选择特定区域和分辨率进行解码，无需解压整个文件，从而显著提升检索效率。测试显示，该方法在不同数据类型上可将文件规模缩减至原来的1/10到1/100，且能自适应学习各类测量中的关键特征。

研究人员已在分子与材料测量、太阳磁场观测及图像等多种数据上验证了该方法的有效性，并证实其特别适用于SLAC直线相干光源等超快X射线自由电子激光装置——这类设备每秒可产生百万级X射线脉冲，用于捕捉原子分子尺度的瞬态过程。研究人员强调，该AI压缩工具并非替代现有技术，而是作为补充手段，可与事件筛选等数据降维策略协同使用，进一步降低大规模科学数据的存储与管理成本。

信息来源：

https://techxplore.com/news/2026-08-ray-speckles-solar-magnetic-fields.html