Красное смещение — ключевой параметр в астрофизике, позволяющий определять расстояния до астрономических объектов и исследовать расширение Вселенной. Традиционные методы оценки красного смещения требуют спектроскопических наблюдений, что связано с большими затратами времени и ресурсов. В последние годы активно развиваются подходы на основе машинного обучения, однако большинство из них ограничены однородными выборками и не учитывают разнообразие морфологий и условий наблюдений.
В новой работе учёные представили архитектуру DeepRed — универсальный конвейер на основе современных моделей компьютерного зрения (ResNet, EfficientNet, Swin Transformer, MLP-Mixer), предназначенный для оценки красного смещения по изображениям галактик, гравитационных линз и линзированных сверхновых. DeepRed объединяет выходы нескольких нейросетевых подмоделей с помощью линейного ансамбля, что позволяет повысить точность и устойчивость предсказаний.
Для валидации DeepRed использованы как симулированные, так и реальные астрономические датасеты. На всех наборах данных DeepRed превосходит существующие решения, включая специализированные нейросети (A1, A3, NetZ, PhotoZ) и классические методы (HOG+SVR).
На реальных наблюдениях из обзора KiDS DeepRed также демонстрирует превосходство: повышение локализационной точности составило до 97–99%. Важной особенностью DeepRed является интеграция explainable AI (SHAP), что позволяет количественно оценивать, на какие области изображения опирается модель при предсказании.
Авторы отмечают, что DeepRed хорошо обобщается на данные с разными морфологиями и условиями наблюдений, что критически важно для будущих масштабных обзоров неба (например, LSST). Архитектура открывает новые возможности для автоматизированного анализа больших астрономических данных и поиска редких объектов, таких как линзированные сверхновые.