Новый алгоритм на основе искусственного интеллекта помог астрономам обнаружить ранее неизвестные объекты на окраинах Солнечной системы и одновременно значительно ускорить обработку огромных массивов наблюдательных данных. Исследователи представили систему под названием YOSO (You Only Stack Once), которая использует методы машинного обучения для поиска тусклых движущихся объектов на астрономических снимках. Работа демонстрирует, как современные технологии искусственного интеллекта могут повысить эффективность поиска транснептуновых объектов и других малозаметных тел Солнечной системы.
Транснептуновыми объектами называют небесные тела, расположенные за орбитой Нептуна. Многие из них находятся настолько далеко от Земли и отражают так мало солнечного света, что их обнаружение представляет серьёзную техническую задачу. Для поиска таких объектов астрономы традиционно используют метод многократного совмещения снимков, известный как shift-and-stack. Однако этот подход требует огромных вычислительных ресурсов и обработки большого количества возможных траекторий движения объектов.
Авторы новой работы предложили альтернативный подход. Вместо многократного перебора различных вариантов движения система YOSO объединяет серию наблюдений в одно специальным образом обработанное изображение, после чего применяет алгоритм искусственного интеллекта для поиска характерных следов движущихся объектов. Такой метод позволяет существенно сократить вычислительные затраты и уменьшить количество ложных срабатываний.
Для проверки эффективности новой технологии учёные проанализировали данные обзора DEEP, полученные с помощью камеры Dark Energy Camera (DECam). В ходе работы алгоритм смог повторно обнаружить 45 из 73 транснептуновых объектов, ранее найденных другим специализированным методом KBMOD. Кроме того, система выявила ещё 11 кандидатов в транснептуновые объекты, которые отсутствовали в предыдущем каталоге.
Исследователи отмечают, что новая система пока уступает KBMOD по максимальной глубине поиска самых тусклых объектов. В среднем предельная звёздная величина метода оказалась примерно на 0,88 величины ярче, чем у используемого для сравнения алгоритма. Тем не менее YOSO продемонстрировал ряд важных преимуществ, включая высокую скорость работы и способность находить объекты в сложных областях изображения, где традиционные методы могут испытывать трудности.
Помимо объектов пояса Койпера, новая система обнаружила 216 ранее не зарегистрированных быстро движущихся объектов с видимой скоростью от 10 до 60 угловых секунд в час, а также ещё 27 объектов, двигавшихся быстрее 60 угловых секунд в час. Среди них могут находиться астероиды главного пояса и околоземные объекты.
По словам авторов, одной из наиболее сильных сторон YOSO является высокая точность отбора кандидатов. После дополнительной проверки обнаруженных объектов система демонстрирует чистоту результатов, близкую к 99 %, что существенно снижает необходимость ручной проверки огромного числа ложных сигналов.
Учёные считают, что технология может оказаться особенно полезной для будущей обсерватории Vera C. Rubin Observatory и её обзора неба LSST. Большие объёмы данных, которые будут поступать от этого проекта, потребуют максимально эффективных методов автоматического анализа. Благодаря сравнительно низким вычислительным затратам и высокой скорости работы YOSO может стать важным инструментом для поиска новых объектов Солнечной системы.
Авторы также предполагают, что предложенный подход может найти применение не только в исследованиях малых тел Солнечной системы. Аналогичные методы могут использоваться для поиска экзопланет, анализа переменных звёзд, изучения вспышек сверхновых и даже обработки данных будущих космических миссий по обнаружению околоземных астероидов.
В целом работа показывает, что сочетание методов машинного обучения и современных алгоритмов обработки изображений способно существенно расширить возможности астрономических наблюдений и помочь в обнаружении объектов, которые ранее оставались скрытыми среди огромных массивов данных.
Исследование опубликовано в журнале The Astronomical Journal.