2021年天文学研究什么话题最热门：黑洞、类星体、还是CNN？ | 国家天文科学数据中心

2021年总算过去了。虽然疫情还没有结束的迹象，但是人们已经开始习惯新冠环伺的生活。疫情对社会带来的长期影响也在慢慢显现。2021年全世界天文学家提交到论文预印本arXiv上的天文学论文数量只有13243篇，比2020年少了1577 篇（下降10.6%，甚至少于2018年的提交数）。这是自1994年arXiv开设天文学学科分类以来年度提交论文总数的第一次下降。我们在疫情的影响下被迫放慢了探索宇宙的脚步，但并未停止前进，毕竟连推迟了14年的韦布空间望远镜都发射成功了。

图1：arXiv论文提交数量趋势变化

我们统计了这些论文中的热门术语，回顾2021年天文学的热点与主题。根据包含相关术语的论文总数，排名前10的关键术语有：

磁场（magnetic field，3616篇）
黑洞（black hole，2673篇）
恒星形成（star formation，2660篇）
数值模拟（numerical simulation，2498篇）
暗物质（dark matter，2488篇）
银河系（Milky Way，2349篇）
星际介质（interstellar medium，1950篇）
大质量恒星（massive star，1932篇）
中子星（neutron star，1875篇）
引力波（gravitational wave，1711篇）

图2：2021天文学热词

如果我们剔除那些只是简单提到这些名词的论文，只考虑在正文中反复提到（大于5次）相关概念的文章，那么排名前10的关键术语可修正为：

磁场（magnetic field, 1234篇）
活动星系核（active galactic nucleus, 990篇）
引力波（gravitational wave, 732篇）
能谱分布（spectral energy distribution, 724篇）
恒星形成（star formation, 677篇）
宇宙微波背景辐射（cosmic microwave background, 676篇）
暗物质（dark matter, 674篇）
功率谱（power spectrum, 602篇）
黑洞（black hole, 582篇）
星际介质（interstellar medium, 527篇）

它们在一定程度上代表了天文学的主流方向和热门话题。

排名前十的缩略词分别是：

活动星系核（AGN，1589篇）
能谱分布（SED，1358篇）
信噪比（S/N，1320篇）
宇宙微波背景辐射（CMB，1256篇）
星际介质（ISM，1072篇）
马尔可夫链蒙特卡洛方法（MCMC，1053篇）
点扩散函数（PSF，938篇）
引力波（GW，879篇）
暗物质（DM，823篇）
恒星形成率（SFR，741篇）

这些词对于天文工作者来说都是比较熟悉的，因为使用频率高，而全称又比较长，所以大家习惯用缩写代替。如果剔除这类常见（天文名词数据库中已收录）的条目，出现频率最高的五个新缩略词是：

暗能量巡天（dark energy survey，DES，268篇）
恒星形成历史（star formation history，SFH，246篇）
双黑洞（binary black hole，BBH，211篇）
卷积神经网络（convolutional neural network，CNN，200篇）
双中子星（binary neutron star，BNS，184篇）

而频率上升最快的缩略词当属 “盖娅第三批早期数据”（Gaia early data release 3，EDR3，123篇）。它指的是欧洲空间局天体测量卫星“盖娅”在2020年12月释放的第三批早期数据。得益于其高质量的数据，在一年时间里就有超过一百篇相关论文的热度，产出相当可观。这些文章的发布时间如图所示：

图3：EDR3相关文章2021年发布情况

现代科研论文的写作格式和风格是程式化的，有固定的表达方式和风格。我们也统计了论文中的常用词组，大家看看是不是很熟悉?

other hand （7809篇）
right panel （4354篇）
wide range（3822篇）
large number（3745篇）
free parameter（3494篇）
previous study（3467篇）
parameter space（3414篇）
bottom panel（3411篇）
good agreement（3373篇）
future work （3266篇）

现代天文学研究方向众多，发展迅速，想要全面了解整个学科的前沿进展变得越来越困难。由于技术条件的限制，本文只做了简单的词频分析和统计。有关这些术语词频的详细信息可浏览页面 https://nadc.china-vo.org/arxivterm/。而要想让机器自动识别热点问题和科研动向，我们还需要新的算法和工具。