Понятов А. Искусственный интеллект смотрит в небо

Астрономы тысячелетиями вглядываются в космические глубины, пытаясь понять, как устроена Вселенная, но их исследовательские возможности определяются в первую очередь технологиями, с помощью которых они получают и анализируют данные. Новейшей технологией, которая в последнее десятилетие начала трансформировать астрономию на всех уровнях, от сбора и обработки информации до фундаментальных выводов и проектирования новых инструментов, стал искусственный интеллект. В условиях огромного количества астрономических данных, работа с которыми требует творческого подхода, технологии искусственного интеллекта становятся не просто удобным инструментом, а подчас единственным средством для решения поставленных задач.

ЧТО ТАКОЕ МАШИННОЕ ОБУЧЕНИЕ И ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ?

Описание разных систем искусственного интеллекта (ИИ) и методов машинного обучения потребовало бы слишком много места, поэтому здесь я расскажу в общих чертах лишь о некоторых из них, оставаясь в рамках астрономической тематики. В первую очередь нам надо понять смысл понятия ИИ. Что же искусственный интеллект и машинное обучение делают такого, что не позволяют осуществить обычные компьютерные программы? И нет, компьютер пока не научился мыслить, как нам рассказывают фантастические книги и фильмы. Не способен он сам и совершать открытия, подобно человеку, хотя теперь может сильно помочь в этом.

Для того чтобы некоторая задача могла быть решена на компьютере без ИИ, она должна быть формализована, то есть представлена в виде, пригодном для работы с ней с помощью математики или логики. Проще говоря, записаны формулы, по которым вычисляется ответ. Причём должны быть учтены все возможные варианты развития событий.

Однако существует много задач, которые крайне трудно, а подчас просто невозможно формализовать и перебрать все варианты. Например, к таким задачам относится распознавание образов, скажем, ответ на вопрос о похожести лиц на снимках. Попробуйте перебрать все возможные сочетания разнообразных лиц и в каждом случае составить последовательность действий, однозначно отвечающих на вопрос: похожи они или нет и в какой степени. Средствами обычного математического подхода проблему не осилить, даже если фотографии преобразовать в цифровую форму.

А ведь решение этой задачи — основа классификации объектов, то есть их разделения на несколько различных групп (классов), в которые собраны похожие объекты. В астрономии с подобной проблемой сталкиваются, например, при классификации галактик по их изображениям. По ним надо определить тип галактики: спиральная, эллиптическая, линзовидная, неправильная, затем подклассы и так далее. Это, конечно, не лица, но спиральные галактики имеют очень разную форму и структуру, так что однозначно сформулировать признаки их похожести и объединения в одну группу не удастся. Разумеется, профессионал-астроном, анализируя изображения вручную, в большинстве случаев с задачей легко справится. Однако если он возьмёт миллиард известных галактик и затратит на просмотр каждой хотя бы секунду, на просмотр всех у него уйдёт более 30 лет, при условии, что он будет работать круглосуточно и без перерывов. Но чем поможет здесь искусственный интеллект? Ведь дело не только в том, что компьютер работает быстрее и не требует отдыха.

Современные технологии ИИ — это способы решения задач, выходящие за рамки традиционного подхода. Благодаря этому компьютер может выполнять действия, которые обычно относят к прерогативе человека. В том числе написать текст, картину или музыку, распознать речь — все эти задачи тоже не формализуемы.
Упрощённо говоря, ИИ можно представить как большую формулу с множеством изменяемых параметров, в которую подставляют исходные данные и получают ответ. Эта формула определяется выбранной технической реализацией ИИ и к рассматриваемой проблеме отношения не имеет, поэтому и получаемый ответ первоначально тоже. Затем начинается процесс обучения, заключающийся в подстройке параметров формулы, так, чтобы ответ соответствовал поставленной задаче. Таким образом, техническую, чаще всего компьютерную систему учат выдавать результат без формализации процесса решения конкретной задачи. Этим и устраняется главная сложность решения неформализуемых проблем с помощью компьютера.

Из всего сказанного вытекает, что главная проблема в создании ИИ — разработка эффективного метода обучения. Поэтому в статьях, посвящённых исследованиям, проводимым с помощью ИИ, часто вместо термина ИИ используют машинное обучение. Хотя, возможно, здесь есть ещё неявное желание подчеркнуть, что результат получила не какая-то мыслящая машина, а авторы работы обучили машину выдавать результат. Прорыв в машинном обучении был совершён около 10 лет назад, и именно с того времени началось триумфальное шествие ИИ по разным сферам человеческой деятельности.

Существуют обучаемые системы разных типов, но после огромных успехов в обучении сложных искусственных нейронных сетей (глубокое обучение ИНС), которые были достигнуты в последнее десятилетие, именно их в основном имеют в виду, когда говорят об ИИ. Искусственные нейронные сети математически моделируют работу человеческого мозга и состоят из множества связанных блоков — искусственных нейронов, которые обрабатывают информацию и передают её друг другу.

Однако в науке успешно используются и другие виды машинного обучения, например метод опорных векторов и методы, основанные на деревьях принятия решений. Структура дерева состоит из «веток» (рёбер), соединённых в узлах. Каждое ребро соответствует признаку, от которого зависит ответ, находящийся на «листе» — конце ребра, не имеющего продолжения. В узлах находятся вопросы, позволяющие выбрать признак. Чтобы получить решение, например классифицировать объект, надо пройти по ветвям дерева до «листа». Это соответствует ответам на вопросы о наличии или отсутствии у объекта какого-либо признака. Для снимка галактики это могут быть вопросы: «Галактика правильной формы?», «Есть ли признаки перемычки?», «Есть ли признаки спиральных рукавов?», «Велик ли балдж по сравнению со всей галактикой?» и т. п Результатом станет тип галактики. При решении сложных задач деревья объединяются в лес, для обучения которого разработан популярный метод случайного леса (Random Forests).

Контролируемое обучение, известное также как обучение с учителем, требует большого обучающего набора примеров, используемого для изучения базовых связей (корреляций) между входными признаками и ответом. Его, как правило, создают эксперты, играющие роль учителей, что позволяет совместить опыт специалистов-людей с возможностями компьютера. В задаче классификации галактик создание примера заключается в том, что эксперт, поглядев на изображение галактики, просто делает вывод о её типе, причём объяснять, формализовы- вать причины, по которым он его сделал, не нужно. Сам процесс обучения выглядит примерно следующим образом. Каждый обучающий пример (снимок и правильный ответ учителя) вводится в программу ИИ, который анализирует изображение и выдаёт свой ответ. Если он не совпадает с правильным, компьютер автоматически подстраивает параметры системы таким образом, чтобы ошибка уменьшилась. Эта процедура повторяется множество раз, пока ИИ не начнёт выдавать правильные ответы почти на все примеры. Обучение позволяет ИИ выявлять скрытые закономерности и давать ответ в отсутствие для него явных формул.

Далее обученный ИИ можно использовать для определения типов галактик на фотографиях, которые не вошли в обучающий набор. Если система и её обучение были сделаны правильно, то ИИ будет верно определять типы подавляющего числа галактик. Определённая небольшая доля ошибок допустима. Впрочем, ошибки случаются и у экспертов. С тем же успехом ИИ может классифицировать звёзды, квазары и другие космические объекты.
Такой ИИ обладает очень важной обобщающей способностью — он в большинстве случаев будет верно определять типы галактик, даже если те не очень похожи на обучающие примеры. Грубо говоря, если вы учили ИИ различать кошку и собаку по множеству разных фотографий, то ИИ, скорее всего, окажется способен понять, кто перед ним, даже если этой породы не было в обучающем наборе. Это позволяет при обучении обойти необходимость перебора всех возможных вариантов. Более того, обобщающая способность приводит к тому, что ИИ способен уловить похожесть, которую может не заметить человек. Однако подобный ИИ не способен распознать новые типы объектов, отсутствующие в обучающих наборах. Обученный на галактиках ИИ не распознает туманность или звезду, а обученный на кошках и собаках отнесёт к ним и крокодила.

Что же делать, если заранее мы не знаем все объекты, с которыми можем иметь дело? Ну, не ожидали мы встретить крокодила! Здесь поможет неконтролируемое обучение (без учителя), алгоритмы которого способны разбить исследуемые объекты на группы-кластеры с различным набором признаков и без подсказки экспертов. Формируемые ИИ значения параметров-координат размещают точку, соответствующую объекту, в определённое место пространства признаков, которое может быть многомерным. Точки похожих объектов окажутся рядом, образуя группу. Такой алгоритм сам будет группировать по отдельности изображения кошек, собак, крокодилов и прочих тварей, выявляя внутреннее сходство. Это позволяет обнаружить ранее неизвестные типы объектов, их закономерности и связи, приводя тем самым к новым открытиям.

Есть ещё обучение с подкреплением, где система получает вознаграждение, если действие было полезно, и штраф, если вредно. Это похоже на обучение с учителем, но здесь нет экспертов, оценивание происходит автоматически в самой среде, где действует ИИ. В результате ИИ учится принимать такие решения, чтобы максимизировать совокупное вознаграждение.

РЕВОЛЮЦИЯ В АСТРОНОМИИ

В последние десятилетия происходит настоящая революция в астрономии, связанная с тем, что исследователи уже получили или вот-вот получат в свои руки инструменты, способные добывать огромное количество информации, кардинально превосходящее всё, что было доступно ранее. Астрономия вступила в эпоху больших данных в начале 1990-х годов, когда появились первые цифровые обзоры неба. Потребовалась автоматизация многих задач обработки и анализа данных, например разделения на изображениях звёзд и галактик. Это во многом стимулировало использование в астрономии технологий ИИ.

Ярким примером современного состояния дел служит обсерватория имени Веры Рубин (США), расположенная на горе Серро-Пачон в Чили, которая получила «первый свет» в июне 2025 года. Цифровая 3200-мегапиксельная камера обсерватории — самая большая, когда- либо созданная для астрономии, не предназначена для фокусировки на конкретных целях, её снимок захватывает участок неба в 9,6 квадратного градуса (около 45 полных лун). Она способна в автоматическом режиме каждую ночь делать порядка 10ОО таких снимков с выдержкой 30 секунд и за ночь генерировать около 20 терабайт (1 ТБ ~ 1012 байт) данных. Это объём примерно 20 миллионов книг по 500 страниц, что сопоставимо с их количеством в крупнейших библиотеках мира, вроде Библиотеки Конгресса США или Российской государственной библиотеки. С учётом пауз на техническое обслуживание, плохую погоду и непредвиденные обстоятельства обсерватория за 10 лет работы даст более 2 миллионов снимков и свыше 60 петабайт
(1 ПБ ~ 1015 байт) данных. В итоге после их обработки и анализа планируется составить каталог приблизительно 37 миллиардов космических объектов (20 млрд галактик, 17 млрд звёзд), каждый из которых имеет более 200 характеристик, а также 6 миллионов объектов Солнечной системы с их орбитами. Объём такого каталога достигнет нескольких сотен петабайт.

Крупнейший в мире радиоинтерферометр SKA (Square Kilometre Array — [антенная] решётка [площадью] в квадратный километр), ввод которого ожидается в 2027 году сразу на нескольких континентах, по оценкам, сможет генерировать необработанные данные со скоростью примерно 0,5—1 ТБ в секунду, что после обработки даст несколько сот петабайт в год.

Из уже реализованных проектов упомянем Pan-STARRS (Гавайи, США). Эта система телескопов с 2010 года осуществляет непрерывный обзор неба, каждую ночь получая около 10 ТБ данных. Объём их второго выпуска, опубликованного в 2019 году, составляет 1,6 ПБ, что на сегодняшний день является самым большим объёмом когда-либо опубликованных астрономических данных. А также отметим только что завершившийся обзор всего неба, проведённый космической обсерваторией Gaia(ESA) с 2014 по март 2025 года. Его основная цель — сверхточная астрометрия примерно двух миллиардов объектов. В 2022 году ESA опубликовало третий релиз с данными (DR3)*. Общий объём данных, собранных в течение первых пяти лет миссии, составил около 200 ТБ. Впрочем, их обработка продолжается, и окончательные результаты (DR5) будут опубликованы не ранее конца 2030 года. И этими примерами число работающих и проектируемых больших телескопов отнюдь не ограничивается.

В настоящее время исследования ведутся во всех спектральных диапазонах, что позволяет получать большое количество информации и достигать самых глубин Вселенной. К слову, в мае 2024 года космический телескоп «Уэбб» обнаружил самую далёкую из известных галактик, JADES-GS-zl4-0, наблюдаемую всего через 290 миллионов лет после Большого взрыва. Собственное расстояние до неё составляет 33 844 миллиарда световых лет. На 31 марта 2025 года объём научных данных только НАСА превышает 100ПБ— это соответствует 20 миллиардам фотографий со среднего современного смартфона. 

Чтобы оценить, насколько быстро растёт объём данных, скажем, что являвшийся 30 лет назад настольным у астрономов Паломарский обзор неба (Palomar Observatory Sky Survey — POSS, США) проводился с 1949 по 1958 год и состоял из 1872 фотоснимков размером 14" х 14" каждый. После оцифровки он вошёл в состав Цифрового обзора неба (Digitized Sky Survey— DSS), выпущенного в 1994 году на 102 компакт-дисках, объём которых не превышает 70 гигабайт. А полученный в 2001 году из него каталог 89 миллионов объектов уместился всего на четырёх DVD-дисках. Смешные объёмы в сравнении с нынешними! Пришедший ему на смену Слоуновский цифровой небесный обзор (Sloan Digital Sky Survey — SDSS, США) фотографировал небо с 2000 по 2009 год. Окончательный выпуск изображений (DR9) 2012 года содержал 69 ТБ, включая фотометрические наблюдения около 1 миллиарда объектов. После этого обзор продолжил получать спектры, и DR19, опубликованный 10 июля 2025 года, содержит уже 756 ТБ данных.

Однако для исследователей много информации не только большой плюс, но и огромная головная боль. Такое количество информации требует специальных методов работы с ней, а лавинообразный, или, как говорят учёные, экспоненциальный рост объёма данных требует их обработки в режиме, близком к реальному времени, иначе этот информационный потоп нас захлестнёт. Мы просто будем не в состоянии успевать обрабатывать поступающие данные. Далеко не во всех случаях допустимо отложить обработку на потом. Можно сказать, что наличие множества данных при отсутствии соответствующей технологии для их обработки эквивалентно отсутствию данных. И одним из решений этой проблемы стали технологии искусственного интеллекта.
Заметим, что проблема больших данных существует не только в астрономии, с ней сталкиваются все исследования, находящиеся на переднем фронте науки. Так, в физике высоких энергий только Большой адронный коллайдер (LHC) каждый год в ходе экспериментов собирает более 30 ПБ информации, в целом в ЦЕРНе постоянно хранится свыше 100 ПБ данных. А есть ещё исследования генома, материаловедение и многое другое.

ЗАЧЕМ АСТРОНОМИИ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ?

Астрономы одни из первых среди учёных поняли перспективы машинного обучения в научных исследованиях и начали его использовать. Произошло это на рубеже 1990-х годов. Например, в Аризонском университете (США) в 1990 году применяли ИНС для изучения форм галактик. Но значительно интерес к алгоритмам ИИ возрос после 2015 года.
Создание астрономических детекторов и камер большого формата для получения качественных изображений поспособствовало развитию цифровых обзоров неба, которые открыли новый, высокоэффективный способ астрономических исследований. Традиционный подход заключался в изучении отдельных объектов или их небольших выборок. Обзоры же неба фиксируют миллиарды источников сигналов. Алгоритмы ИИ позволяют астрономам провести быструю и автоматическую классификацию объектов, о чём уже говорилось. Классификации — ключевой метод, на котором строится наука. Как сказал великий французский философ и математик Блез Паскаль: «Всё, что вы не классифицировали, вы не можете понять». Прежде чем изучать космические объекты, надо опознать галактики, звёзды, туманности и другие объекты, затем разбить их на классы. ИИ может находить скрытые взаимосвязи и закономерности в больших и сложных наборах данных, извлекать из них ценную информацию. Объекты, выпадающие из стандартной классификации (аномалии), могут оказаться чем-то новым или необычными типами известных объектов, например галактик. Всё это помогает выдвинуть новые идеи, подчас приводящие к неожиданным открытиям.

Алгоритмы ИИ используются и при анализе данных всех крупных обсерваторий, в том числе космических. Например, в российском Институте космических исследований (ИКИ РАН) разрабатываются методы машинного обучения для определения физических характеристик рентгеновских источников, исследуемых обсерваторией «Спектр-РГ».

ИИ превосходно показал себя в идентификации известных объектов — таких, как галактики или экзопланеты, на свойствах которых его обучили. Однако ИИ можно использовать для поиска и анализа объектов или явлений, которые теоретически выдвинуты, но ещё не обнаружены в реальном мире или о них мало наблюдательных данных. К таковым относятся, например, чёрные дыры и нейтронные звёзды. В этом случае астрономы сначала моделируют эти объекты для разных ситуаций и получают наборы признаков (сигнатуры), по которым их можно найти. Для моделирования они также могут применять ИИ. Затем используют машинное обучение на сигнатурах, чтобы ИИ смог обнаружить предсказанное. При этом в случае обнаружения объекта становится ясно, какому варианту модели он соответствует, а значит, исследователи получают много информации о его свойствах.

Уже сделаны успешные попытки с помощью машинного обучения ускорить астрофизическое моделирование сложных явлений, таких, как эволюция Вселенной, образование галактик, распределение тёмной материи и гравитационные взаимодействия. Несмотря на сильное развитие компьютерных технологий, в настоящее время типичному суперкомпьютеру требуется от одного до двух лет, чтобы провести моделирование относительно небольшой галактики с надлежащим временным разрешением. ИИ помогает справиться с этим в несколько раз быстрее.

Очень важная особенность обзоров неба — многократное обследование больших участков неба. Раньше астрономы не могли позволить себе слишком долго и часто наблюдать большое число объектов. Теперь же они получили в своё распоряжение настоящее кино, показывающее не статичную картину неба, а его изменение кадр за кадром. Это даёт возможность проводить систематические масштабные исследования множества различных переменных явлений, включая изменчивость звёзд и активных ядер галактик, космические взрывы всех видов (новые, сверхновые, гравитационно-волновые события и тому подобное), движущиеся объекты, такие как планеты, астероиды и кометы. Астрономы называют всё это транзиентами. Их исследование открыло новые научные возможности, однако породило и новые проблемы обработки данных, для решения которых используют подходы на основе ИИ.

Так, например, в Институте астрономии РАН (ИНАСАН) занимаются созданием методов машинного обучения для автоматического поиска, идентификации и классификации переменных во времени галактических и внегалактических процессов и астрономических объектов как раз на основе текущих и ближайших крупномасштабных обзоров неба, а также составляют исчерпывающий каталог для индексирования и быстрого поиска транзиентов.

Впрочем, для обнаружения кратковременных событий, таких как вспышки сверхновых, гамма-всплески и быстрые радиовсплески, необходимо круглосуточное наблюдение в автоматическом режиме. Это реализуется оснащёнными ИИ роботизированными телескопами, способными их опознать. Своевременное обнаружение подобных явлений необходимо, чтобы успеть направить на них крупные и специализированные телескопы, которые позволят их изучить.

С большими данными связана ещё одна проблема: прежде, чем можно будет начать анализ, они должны быть очищены и подготовлены. Это необходимо, чтобы результаты анализа были точными. Алгоритмы глубокого обучения отлично справляются с предварительной обработкой данных всех типов. Они могут улучшать соотношение сигнал/шум и даже удалять шум, выявлять и исправлять ошибки, корректировать искажения, полностью или частично восстанавливать повреждённые изображения, повышать их чёткость и точность наблюдений. Последние методы, называемые деконволюцией, особенно ценны для улучшения изображений, полученных наземными телескопами, где эффекты размытия, вносимые оптикой и атмосферной турбулентностью, могут ухудшить их качество. Особенно это важно для изучения слабых и протяжённых объектов, таких как галактики и туманности.

Разумеется, с помощью ИИ можно исследовать и отдельные типы объектов и явлений, но об этом речь пойдёт в следующем разделе. ИИ начал менять и технологию использования телескопов для астрофизических наблюдений. Он может взять на себя трудоёмкую работу по их настройке и выбору правильной схемы наблюдений, что позволяет получать высококачественные научные данные.

Системы на основе ИИ меняют способы поиска и доступа к данным. В полезности ИИ при поиске нужной информации многие, наверное, уже убедились в интернете. Его используют все большие поисковые системы. Особенно это важно потому, что большие данные теперь часто хранятся на серверах в распределённых центрах по всему миру, а астрономы взаимодействуют с ними через облачные платформы. Поиск нужных данных — в данном случае задача непростая, тем более, что запросы у исследователей могут быть весьма нетривиальными. Атеперь добавьте к этому появившуюся с развитием больших языковых моделей (LLM) вроде GPT и аналогов возможность общаться с поисковой системой на обычном «человеческом» языке, не только письменно, но и устно, в ходе разговора уточняя запрос и получая варианты ответов с комментариями. Я уверен, что никто из исследователей не откажется от такого помощника, который сделает огромный массив информации доступным и пригодным для использования. Значительный прорыв в совершенствовании LLM произошёл совсем недавно, в 2021 году, и сейчас как раз период их бурного развития.
Заметим, что в последние десятилетия экспоненциально растёт и объём астрономической литературы, в работе с которой также помогут ИИ и LLM. Без них она стала просто необозрима. Примером может служить языковая модель под названием astroBERT для чтения и организации 15 миллионов научных статей по астрономии, созданная в Гарвард-Смитсоновском центре астрофизики.

И, наконец, в этом году ИИ открыл новую сферу применения: проектирование астрономических инструментов. В апреле 2025 года исследователи из Института физики света Общества Макса Планка (Германия) и гравитационно-волновой обсерватории LIGO опубликовали в журнале Physical ReviewX статью, в которой сообщили о разработке алгоритма на основе ИИ под названием Urania для проектирования новых улучшенных гравитационно-волновых детекторов. За два года работы Urania выдала десятки новых решений, которые в чём-то даже превосходят проекты людей. Авторы предоставили научному сообществу для дальнейшего исследования 50 наиболее эффективных проектов ИИ.

КРАТКИЙ ОБЗОР ПРИМЕНЕНИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

По данным Astrophysics Data System (ADS; https://ui.adsabs.harvard.edu), в 2021 году было опубликовано около 10ОО статей по астрономии и астрофизике, в которых использовались машинное обучение или ИИ, и далее их число стало удваиваться каждые 20 месяцев. Так что здесь я смогу упомянуть лишь несколько показавшихся мне значимыми направлений работ.

Обнаружение пульсаров

Пульсары — космические источники излучений, приходящих на Землю в виде периодических импульсов. По современным представлениям, они представляют собой вращающиеся нейтронные звёзды с сильным магнитным полем*. Пульсары интересны для исследования эволюции звёзд, экстремального состояния вещества, межзвёздной среды и магнитного поля. Кроме того, их сигналы можно использовать для космической навигации.
В стандартных методах поиска пульсаров проводится несколько этапов предварительной обработки большого количества данных, после чего получается список потенциальных кандидатов в пульсары, который анализирует уже человек, выделяя истинные сигналы пульсаров. Этот подход требует значительного времени, места для хранения данных и вычислительных ресурсов, к тому же приводит к большому количеству кандидатов в пульсары и низкой эффективности поиска. С 2010 года началось использование для этой цели технологий ИИ, что значительно д улучшило результаты поиска. 
Пожалуй, наиболее успешно их применяют в Китае, где поиском пульсаров целенаправленно занимается самый большой в мире радиотелескоп со сплошным зеркалом FAST (Five-hundred-meter Aperture Spherical Telescope — «Сферический телескоп с пятисотметровой апертурой»), известный также как «Небесное око Китая». Он приступил к работе в 2016 году и с начала 2017 до ноября 2024 года обнаружил 1000 пульсаров, что больше, чем за тот же период с помощью всех других телескопов мира вместе взятых. При этом всего с 1967 года за пределами Китая было открыто около 3000 пульсаров.

Спектральный анализ

Спектроскопия — важнейший источник информации о космических объектах, позволяющий узнать их состав, температуру, магнитное поле, определить природу и характер движения. С её помощью изучают звёздную эволюцию. Однако из-за сложности спектральных измерений их делают для значительно меньшего числа объектов по сравнению с фотометрическими обзорами, где просто регистрируют яркость излучения. Поэтому астрономы пытаются восстановить с помощью ИИ спектральные характеристики объектов на основе фотометрических наблюдений в нескольких стандартных полосах длин волн.

В 2024 году группа учёных из Германии и Испании использовала машинное обучение для получения высококачественных спектров 217 миллионов звёзд, наблюдавшихся в ходе миссии Gaia. ИИ был обучен на высококачественных спектрах от 8 миллионов звёзд из других обзоров, а затем применён к фотометрическим данным Gaia(DR3) и спектрам GaiaXP низкого разрешения. Высокое качество результатов снижает необходимость в дополнительных ресурсоёмких спектроскопических наблюдениях. Этот новый подход открывает захватывающие возможности для картирования таких характеристик, как межзвёздное поглощение, химический состав и металличность по всему Млечному Пути.

Аналогично машинное обучение применяется для оценки красных смещений, которые в космологии связаны с расширением Вселенной и служат мерой расстояния. Традиционно красные смещения измеряются спектроскопически, что требует больших затрат. Фотометрия гораздо дешевле и быстрее, а потому может быть выполнена для значительно большего числа объектов. Полученные расстояния затем используются для определения светимости, массы и других характеристик удалённых галактик и квазаров.

Исследование экзопланет

Открытие экзопланет за пределами нашей Солнечной системы — одно из величайших достижений астрофизики. Сейчас известно около 6000 экзопланет, причём большинство из них астрономы открыли, измеряя кривую блеска— изменение количества света, исходящего от звезды, когда планета проходит перед ней. Методы машинного обучения произвели революцию в поиске экзопланет, помогая отделять вызванные ими изменения блеска звезды от произошедших по другим причинам. Сейчас ИИ может определять признаки экзопланеты с точностью до 98%.
На основании спектра света звезды, прошедшего сквозь атмосферу планеты, ИИ может оценить её химический состав и потенциальную обитаемость по наличию молекул воды, углекислого газа и некоторых других. В ручном режиме требуется несколько недель, чтобы найти всего четыре или пять соединений. В 2023 году главный приз в конкурсе Европейского космического агентства получила программа AstroAl, способная прочёсывать тысячи спектров экзопланет в поисках сигнатур пяти различных молекул всего за 31 секунду. Исследователи надеются обучить модель, чтобы она искала сотни или даже тысячи соединений. Это будет особенно важно, когда, как ожидается, число открытых экзопланет резко возрастёт благодаря космическим телескопам «Уэбб» (НАСА, ЕКА) и «Ариэль» (ЕКА). «Уэбб» запущен в 2021 году, а запуск «Ариэль» запланирован на 2029 год.
ИИ помогает даже моделировать климат экзопланет, способствуя поиску пригодных для жизни.

Гравитационно-волновая астрономия

Гравитационные волны представляют собой рябь пространства-времени, создаваемую ускорением или слиянием массивных объектов. Их обнаружение важно для понимания свойств пространства-времени, космической структуры, катастрофических событий во Вселенной и эволюции массивных небесныхтел, таких как чёрные дыры. Однако обнаружение и анализ очень слабых сигналов от гравитационных волн — крайне сложная задача. Применение технологии глубокого обучения позволяет отличить истинные сигналы отложных, вызванных источниками шума. ИИ играет важную роль в обработке данных, полученных с помощью детекторов гравитационных волн LIGO и Virgo.

Солнечная активность

Солнце непрерывно выбрасывает в космос поток ионизированных частиц, известный как солнечный ветер, интенсивность которого зависит от солнечной активности и резко возрастает во время вспышек. Достигнув Земли, усиленный солнечный ветер взаимодействует с её магнитосферой и может вызвать так называемую геомагнитную бурю — возмущение геомагнитного поля длительностью от нескольких часов до нескольких суток. В современном мире, зависимом от электрических технологий, это может привести к отключениям электроэнергии, нарушениям связи и спутниковой навигации. Так что прогнозирование солнечной активности имеет важное значение как для исследования Солнца, так и для обеспечения работоспособности земных технических систем. В последние годы для этого стали использовать ИИ.
В 2022 году международная группа исследователей из Frontier Development Lab, включающего НАСА, Геологическую службу США и Министерство энергети
ки США, использовала ИИ для поиска связей между солнечным ветром и геомагнитными возмущениями. На основе этого они разработали компьютерную модель DAGGER (ранее Deep Learning Geomagnetic Perturbation), которая может быстро и точно предсказывать геомагнитные возмущения по всему миру за 30 минут до их возникновения.
По современным представлениям, источником возмущений потока солнечного ветра служат выбросы корональной массы и корональные дыры. Солнечные вспышки часто, но не всегда, сопровождаются выбросом корональной массы. Поэтому другие исследователи сосредоточились на прогнозировании корональных выбросов массы и солнечных вспышек на основе наблюдений за солнечными магнитными полями, излучением и другими параметрами. Несмотря на то, что активные области на Солнце легко наблюдаются как с Земли, так и с космических аппаратов в различных спектральных диапазонах, а с помощью поляриметрии можно выяснить конфигурацию магнитного поля внутри этих областей, надёжное предсказание таких явлений затруднено и обычно опирается на статистику. Возможно, ИИ окажется способен решить эту задачу. В качестве примера укажем проект Al FLARES (Италия, 2024 год), где предпринята попытка применить технологии машинного обучения для выделения предвестников солнечных вспышек, которые могут использоваться для уточнённых прогнозов.

Проблема ещё и в том, что физика солнечной короны — верхней, самой разрежённой и горячей части атмосферы Солнца — не до конца понятна. Корона нагрета до температуры на 1—2 миллиона градусов выше, чем поверхность Солнца. Однако точный процесс, посредством которого магнитное поле передаёт свою энергию корональному газу, так и остаётся неизвестным. Существует выдвинутая в 1988 году гипотеза, известная как теория нановспышек Юджина Паркера, которая предполагает, что разрыв и повторное соединение (пересоединение) линий магнитного поля внутри короны приводят к внезапному выбросу энергии, или нановспышке. Множество таких вспышек может объяснить нагрев короны, но их долгое время не удавалось наблюдать. Лишь в 2021 году были найдены прямые доказательства их существования, и сейчас разрабатываются алгоритмы машинного обучения, которые будут автоматически обнаруживать и регистрировать нановспышки при их появлении.
И раз уж речь зашла о Солнце, отметим работу исследователей из Сколковского института науки и технологий (Сколтех, Россия), которые в сотрудничестве с коллегами из Австрии и США разработали технологию ИИ, позволяющую состыковывать данные солнечных наблюдений разными инструментами, даже если они никогда не работали одновременно. Дело в том, что измеренные разными инструментами значения зависят не только от происходящего на Солнце, но и от особенностей оборудования. Это может не позволить их верно сопоставить.

Всё более масштабное использование ИИ в астрономии постепенно превращает его из просто полезного в необходимый инструмент, без которого невозможно значительное продвижение вперёд. Это изменяет подход к астрономическим исследованиям и обещает открыть новые горизонты в изучении космоса, углубить наше понимание небесных явлений и природы Вселенной. Используя возможности ИИ, астрономы смогут решать всё более сложные научные задачи и, возможно, определят новые направления исследований.