Российские исследователи разработали программный пакет MOLLId, который автоматически распознаёт сотни молекулярных линий в спектрах горячих ядер — областей, где рождаются звёзды. Инструмент сокращает время анализа данных с недель до минут, ускоряя изучение химического состава и эволюции протозвёзд.
В чём проблема?
Современные радиотелескопы (например, APEX в Чили) регистрируют сотни спектральных линий от десятков молекул одновременно. Ручная расшифровка такого «леса» линий занимала недели, что сильно замедляло исследования, особенно слабых линий сложных органических молекул.
Как работает MOLLId?
- Подготовка данных: Программа аппроксимирует каждую спектральную линию гауссовым профилем, определяя её ширину, интенсивность и центральную частоту.
- Идентификация: По частоте линий MOLLId ищет молекулу-кандидата в спектроскопических базах данных.
- Оценка вероятности: Специальные алгоритмы оценивают, насколько вероятно, что данная молекула вызвала наблюдаемую линию.
- Вывод результата: Учёные получают таблицу с частотами, идентифицированными молекулами и могут сразу приступать к научному анализу.
Результаты тестирования на протозвёздах:
- RCW 120 S2 (масса 27 Солнц): За несколько минут идентифицировано 407 линий, принадлежащих 79 различным молекулам — от простых (CO) до сложных органических с 9 атомами (например, диметиловый эфир CH₃OCH₃). Наиболее распространён — метанол (CH₃OH).
- Физические условия: Температура в «горячем ядре» — 100–200 К (–173… –73 °C), окружённом холодной оболочкой ~30–40 К (–243… –233 °C). Впервые обнаружены высокоэнергетичные переходы метанола и метилацетилена.
- RCW 120 S1: Обнаружено около 100 линий 40 молекул — меньшее разнообразие, что может указывать на более раннюю стадию эволюции или меньшую массу объекта.
Почему это прорыв?
- Скорость: Минуты вместо недель ручного труда.
- Точность: Автоматизация снижает риск человеческой ошибки при идентификации тысяч линий.
- Глубина анализа: Позволяет систематически изучать химическое разнообразие регионов звёздообразования, включая сложные предбиологические молекулы.
- Перспектива для машинного обучения: Алгоритм MOLLId — идеальная основа для внедрения ИИ, который сможет не только идентифицировать линии, но и моделировать физические условия в источнике.
Вывод: MOLLId превращает обработку спектров из трудоёмкого искусства в быструю, точную и воспроизводимую процедуру. Это открывает новую эру в астрохимии, позволяя учёным сосредоточиться на интерпретации данных, а не на их рутинной расшифровке, и быстрее раскрывать тайны рождения звёзд и планетных систем.