Искусственный интеллект научился замечать сверхтусклые объекты на границах Солнечной системы
Международная междисциплинарная группа, стоящая на стыке астрофизики и машинного обучения, представила инновационный метод поиска малых небесных тел под названием YOSO — «You Only Stack Once». Технология призвана решить проблему «вычислительного проклятия» при обработке огромных архивов снимков неба. Традиционные методы поиска требуют перебора тысяч вариантов скоростей и направлений движения объекта, чтобы «собрать» его тусклый свет в одну точку. YOSO же использует принципиально иной подход: он анализирует изменения яркости каждого пикселя во времени и объединяет серию снимков в один итоговый кадр всего один раз.
В основе метода лежит Гауссовский фильтр движения (Gaussian Motion Filter, GMoF). Когда тусклый объект, например ледяной транснептуновый объект (ТНО), проходит через поле зрения телескопа, график изменения яркости затронутых им пикселей напоминает колоколообразную кривую. Математически ширина этой кривой зависит от качества изображения, масштаба пикселя камеры и ожидаемой угловой скорости объекта. В результате работы фильтра движение объекта превращается в отчётливый визуальный след (трек) на итоговом изображении.
Для распознавания этих специфических следов учёные применили популярную архитектуру глубокого обучения YOLOv8 в её «тяжёлой» модификации (YOLOv8-L). Нейросеть обучили на массиве из 16 000 изображений, содержащих как дефекты съёмки (космические лучи, блики, следы спутников), так и синтетические объекты с яркостью от 19 до 27 звёздной величины. Система продемонстрировала большую эффективность, затрачивая на анализ одного кадра менее 11 миллисекунд. При этом нейросеть успешно игнорирует помехи, которые раньше требовали долгой проверки человеком.
Иллюстрация: Nano Banana
Эффективность алгоритма проверили на реальных данных проекта DEEP (DECam Ecliptic Exploration Project), полученных с помощью 4-метрового телескопа имени Виктора Бланко в Чили. Несмотря на то что это была лишь проверка метода, YOSO обнаружил 11 новых транснептуновых объектов и 216 других движущихся тел во внутренней части Солнечной системы. Примечательно, что ИИ смог идентифицировать даже достаточно яркий объект (звёздная величина 21,49), который ранее был пропущен классическими алгоритмами из-за сложного фона.
После того как нейросеть находит потенциальный объект, система проводит автоматическую проверку. Чтобы отсечь случайный шум, учёные ввели жёсткие критерии: например, эллиптичность источника должна быть практически нулевой, что подтверждает точечную природу объекта. Такой многоступенчатый фильтр обеспечивает чистоту итогового каталога на уровне 99%.
Разработчики алгоритма, среди которых ведущие специалисты из Института DiRAC Вашингтонского университета и Лаборатории реактивного движения NASA JPL, позиционируют YOSO как инструмент для «эры больших данных». Скоро начнёт работу Обсерватория имени Веры Рубин (LSST), которая будет генерировать беспрецедентные объёмы информации. Традиционные методы просто не справятся с таким потоком, в то время как масштабируемый YOSO идеально подходит для быстрой фильтрации данных в реальном времени.
Помимо наземных наблюдений, технология важна для будущих космических миссий, таких как NEO Surveyor, предназначенных для поиска опасных астероидов. Использование YOSO на борту спутника позволит передавать на Землю не сотни отдельных снимков, а один уже обработанный кадр. Это радикально снизит нагрузку на каналы космической связи и ускорит получение информации о потенциальных угрозах.
Внедрение интеллектуальных фильтров вроде YOSO знаменует переход астрономии от метода «грубой силы» и перебора вариантов к умному распознаванию образов. Авторы работы уверены, что их фреймворк найдёт применение не только в поиске астероидов, но и в охоте за экзопланетами и даже в физике плазмы. «В эпоху Big Data перенос нагрузки на интеллектуальное распознавание — это единственный путь исследования предельно слабых сигналов», — резюмируют архитекторы цифровой астрономии.
