Трансформация астрофизики благодаря ИИ: от анализа гравитационных волн до симуляций Вселенной

Как алгоритмы машинного обучения меняют лицо современной науки: кейсы из практики астрофизиков

Искусственный интеллект (ИИ) активно трансформирует астрофизику, позволяя обрабатывать колоссальные объёмы данных, выявлять закономерности и совершать новые открытия. Вот несколько актуальных примеров применения ИИ в этой области:

1. Обнаружение сверхновых. В 2023 году система BTSbot (Bright Transient Survey Bot) впервые автономно обнаружила сверхновую SN 2023tyk, классифицировала её и запросила спектроскопические данные без участия человека. BTSbot обучался на 1,4 миллиона изображений и работает в реальном времени с телескопом Zwicky Transient Facility. Параллельно развивается архитектура RT-SNDETR (Real-Time SuperNova Detection Transformer), которая работает в 51,49 раза быстрее традиционных методов и достигает точности 96,3% на синтетических данных. 
2. Улучшение изображений чёрных дыр. В 2019 году проект Event Horizon Telescope (EHT) получил первое изображение сверхмассивной чёрной дыры в центре галактики M87. Алгоритм PRIMOанализировал данные от телескопов по всему миру, создавая чёткое изображение. Позже нейросети использовали для обработки шумных данных изображения чёрной дыры Стрелец A* в центре Млечного Пути. Это позволило получить изображение с беспрецедентной детализацией, которое указало на то, что чёрная дыра вращается с почти максимальной скоростью, а её ось вращения направлена в сторону Земли. Однако результаты вызвали споры в научном сообществе из-за возможных искажений из-за низкого качества исходных данных. 
3. Анализ архива телескопа «Хаббл». Инструмент на базе ИИ AnomalyMatchобработал весь архив данных космического телескопа «Хаббл» за 35 лет всего за 3 дня. Система обнаружила свыше 1400 аномальных объектов, из которых более 800 оказались ранее неизвестными науке объектами. Среди находок — сливающиеся и взаимодействующие галактики, новые кандидаты в гравитационные линзы, медузовидные галактики и другие редкие явления. 
4. Изучение магнитного поля Солнца. Учёные из Грацского университета и Сколтеха создали компьютерную симуляцию на основе ИИ, которая в близком к реальному времени режиме отражает состояние магнитного поля верхней атмосферы Солнца. Это позволило лучше понять поведение звезды и её влияние на космическую погоду. Симуляция показывает эволюцию наблюдаемой активной области на Солнце, причём моделирование бессилового магнитного поля выполняется практически в реальном времени: на вычисления по симуляции пятидневной серии наблюдений уходит всего 12 часов. 
5. Поиск далёких галактик с помощью ASTERIS. Междисциплинарная команда из Университета Цинхуа разработала модель ИИ ASTERIS (Astronomical Spatiotemporal Enhancement and Reconstruction for Image Synthesis). Она сочетает вычислительную оптику и алгоритмы для извлечения сверхслабых сигналов, идентификации далёких галактик и создания самых глубоких изображений Вселенной. С помощью ASTERIS команда уже обнаружила более 160 кандидатов в галактики эпохи «Космической зари» (200–500 млн лет после Большого взрыва), что втрое превышает результаты предыдущих методов. 
6. Классификация галактик. Алгоритмы глубокого обучения позволяют классифицировать галактики (спиральные, эллиптические, неправильные) с высокой точностью — до 98%. Это значительно ускоряет процесс, который ранее требовал огромных временных затрат со стороны учёных. 
7. Анализ гравитационных волн. ИИ применяется для анализа данных обсерваторий LIGO и Virgo. Алгоритмы машинного обучения помогают выделять слабые сигналы из шума, что позволяет учёным более точно определять источники этих волн и их природу. 
8. Космические симуляции. ИИ ускоряет вычисления при создании космологических симуляций, которые помогают изучать эволюцию Вселенной, моделируя процессы формирования галактик и крупномасштабной структуры космоса. 
9. Поиск экзопланет. Методы машинного обучения используются для анализа данных космических миссий, таких как Kepler и TESS, что позволяет обнаруживать слабые сигналы, указывающие на наличие планет. Это увеличивает эффективность поиска и сокращает количество ложных срабатываний. 
10. Анализ данных телескопа NEOWISE. 18-летний студент из Калифорнии Маттео Пас разработал алгоритм ИИ, который обработал данные телескопа NASA NEOWISE и выявил более 1,5 миллиона потенциальных новых объектов в космосе, среди которых могут оказаться далёкие сверхновые, чёрные дыры и редкие переменные звёзды. 

Эти примеры демонстрируют, как ИИ ускоряет научные открытия, позволяет работать с данными, которые ранее были недоступны для анализа, и открывает новые горизонты в изучении Вселенной. Однако остаются вызовы, связанные с качеством данных, интерпретируемостью алгоритмов и вычислительными ограничениями.