ИИ в обнаружении экзопланет и небесных объектов: полный гид

Почему традиционные методы поиска экзопланет перестали справляться?

Традиционная астрономия столкнулась с кризисом данных: телескопы генерируют информацию быстрее, чем учёные успевают её обрабатывать. Миссии Kepler и TESS сгенерировали свыше 100 000 потенциальных транзитных сигналов, которые необходимо обработать, чтобы сформировать каталог кандидатов в экзопланеты. Анализировать такой объём вручную — всё равно что искать иголку в стоге сена размером с планету.

Основная проблема современной астрономии не в недостатке данных, а в их избытке. Именно здесь искусственный интеллект становится незаменимым инструментом: нейросети способны обрабатывать миллионы световых кривых за часы, тогда как команда астрономов тратила бы на это годы.

Высокоточная фотометрия миссий NASA Kepler и TESS произвела революцию в обнаружении экзопланет, позволив открыть более 5500 подтверждённых экзопланет методом транзитов и около 10 000 дополнительных кандидатов, ожидающих валидации. Без автоматизации на базе ИИ большинство из них так и осталось бы в архивах необработанными.

Какие методы ИИ применяются для обнаружения экзопланет?

Для поиска экзопланет используется несколько классов алгоритмов машинного обучения — от классических моделей до глубоких нейронных сетей. Выбор метода зависит от типа данных, задачи и объёма обучающей выборки.

Транзитный метод и анализ световых кривых

Когда планета проходит перед своей звездой, она блокирует часть звёздного света, вызывая небольшое снижение наблюдаемой яркости звезды. Для транзитного метода яркость звезды непрерывно отслеживается, а в полученных кривых блеска ищутся «провалы». Именно эти микроскопические изменения яркости и учится распознавать нейросеть.

Система использует нейронные сети глубокого обучения для анализа световых кривых, обнаруживая тонкие просадки звёздного света, которые могут указывать на прохождение планеты перед её родительской звездой.

Свёрточные нейронные сети (CNN)

CNN — рабочая лошадка современной планетной охоты. Метод глубокого обучения предполагает разработку системы для обнаружения планетных транзитов в кривых блеска телескопа Kepler; модель классификации CNN обучается на смеси реальных и синтетических данных. Свёрточные сети особенно эффективны потому, что умеют выявлять пространственно-временные паттерны в сигналах, которые не поддаются формализации.

Случайные леса и градиентный бустинг

Классификатор Random Forest, обученный с использованием табличных атрибутов в качестве признаков, показал перекрёстно-валидированную точность 98,96%, точность 99,55% и полноту 97,21% на обучающем наборе. Это один из самых высоких показателей среди классических алгоритмов машинного обучения в задаче классификации транзитных сигналов.

Нейросетевые ансамбли и мультимиссионное обучение

Kepler и TESS работают по-разному: TESS обследует почти всё небо, в основном ища планеты, транзитирующие ближайшие яркие звёзды, тогда как Kepler наблюдал небольшой участок неба более детально. Несмотря на разные стратегии наблюдений, две миссии производят совместимые наборы данных, что позволяет ExoMiner++ обучаться на данных обоих телескопов и давать хорошие результаты.

Что такое ExoMiner и ExoMiner++ — флагманские ИИ-инструменты NASA?

ExoMiner — это глубокая нейронная сеть NASA, ставшая эталоном в автоматической валидации экзопланет. Её принципиальное отличие от конкурентов — объяснимость: алгоритм не просто выдаёт ответ, но и объясняет, почему он считает сигнал планетой.

ExoMiner — глубокая нейронная сеть, которая использует суперкомпьютер NASA Pleiades и умеет отличать настоящие экзопланеты от разных типов «самозванцев», или «ложных срабатываний». Её дизайн вдохновлён различными тестами и свойствами, которые эксперты-люди используют для подтверждения новых экзопланет, и она обучается на прошлых подтверждённых экзопланетах и ложных случаях.

В 2021 году команда из Исследовательского центра Эймса NASA создала ExoMiner — программное обеспечение с открытым исходным кодом, которое использовало искусственный интеллект для валидации 370 новых экзопланет из данных Kepler. Теперь команда создала новую версию модели, обученную на данных как Kepler, так и TESS, под названием ExoMiner++.

Новый алгоритм, описанный в недавней статье в Astronomical Journal, выявил около 7000 целей как кандидатов в экзопланеты по данным TESS в ходе первоначального запуска. Кандидат в экзопланеты — это сигнал, который, вероятно, является планетой, но требует последующих наблюдений с дополнительных телескопов для подтверждения.

Ключевое преимущество ExoMiner++ — точность. При фиксированном значении точности 99% ExoMiner извлекает 93,6% всех экзопланет в тестовой выборке (полнота = 0,936), тогда как у лучшего существующего классификатора этот показатель составляет 76,3%.

Делая ExoMiner++ открытым, NASA позволяет исследователям, астрономам и разработчикам по всему миру изучать, проверять и совершенствовать модель. Этот открытый доступ позволяет мировому научному сообществу воспроизводить результаты, уточнять алгоритмы обнаружения и адаптировать технологию для других астрономических наборов данных.

Как ИИ-система RAVEN нашла 118 экзопланет в архивах TESS?

RAVEN — автоматизированный ИИ-конвейер, который в отличие от большинства инструментов выполняет весь процесс поиска экзопланет от начала до конца. Именно комплексный подход обеспечил ему выдающиеся результаты.

Астрономы из Университета Уорика подтвердили более 100 экзопланет, включая 31 новый мир, используя новую систему искусственного интеллекта, применённую к данным Transiting Exoplanet Survey Satellite (TESS) NASA.

RAVEN разработана для выполнения всего процесса обнаружения экзопланет за один раз — от обнаружения сигнала до его проверки с помощью машинного обучения и статистической валидации. Это даёт ей дополнительное преимущество перед другими современными инструментами, которые сосредоточены только на отдельных частях этого процесса.

Система проанализировала данные о более чем 2,2 миллионах звёзд, собранные телескопом TESS. ИИ-инструмент RAVEN позволил идентифицировать 118 экзопланет и более 2000 высококачественных кандидатов в планеты. Среди вновь открытых есть планеты со сверхкоротким периодом обращения, которые вращаются вокруг своих звёзд менее чем за 24 часа, планеты «нептунианской пустыни» и многопланетные системы с близкими орбитами.

Сила RAVEN проистекает из тщательно созданного набора данных из сотен тысяч реалистично смоделированных планет и других астрофизических событий, которые могут маскироваться под планеты. «Мы обучали модели машинного обучения выявлять закономерности в данных, которые могут сказать нам, какой тип события мы обнаружили, — в этом ИИ-модели превосходно справляются», — сказал Андреас Хаджигеоргиу из Уорика, руководивший разработкой конвейера.

Как ИИ обнаруживает экзопланеты в протопланетных дисках?

Метод анализа протопланетных дисков с помощью ИИ позволяет находить планеты ещё на стадии формирования — задолго до того, как они станут видны через транзитный метод.

Команда из Университета Джорджии подтвердила существование ранее неизвестной планеты за пределами Солнечной системы с помощью инструментов машинного обучения. Недавнее исследование команды показало, что машинное обучение может правильно определять наличие экзопланеты, анализируя протопланетные диски — газ вокруг новообразованных звёзд.

В отличие от применения ИИ в науке в целом, где алгоритмы работают с уже структурированными данными, в астрономии нейросеть нередко обучается исключительно на синтетических данных компьютерных симуляций, а затем применяется к реальным наблюдениям.

«Мощь здесь в том, что мы использовали исключительно синтетические телескопические данные, сгенерированные компьютерными симуляциями, для обучения этого ИИ, а затем применили его к реальным телескопическим данным. Этого никогда раньше не делалось в нашей области, и это прокладывает путь для потока открытий по мере поступления данных телескопа Джеймс Уэбб», — отметила Кассандра Холл из Университета Джорджии.

Особый интерес представляет обнаружение планет в данных ALMA (Atacama Large Millimeter/submillimeter Array): модели смогли обнаружить сигнал в данных, которые люди уже анализировали; они нашли то, что ранее оставалось незамеченным. «Это демонстрирует, что наши модели — и машинное обучение в целом — способны быстро и точно выявлять важную информацию, которую люди упускают».

Поиск экзопланет в зонах обитаемости: как ИИ находит потенциально жилые миры?

ИИ не просто ищет любые планеты — он целенаправленно выявляет объекты в зонах обитаемости, где возможно существование жидкой воды на поверхности. Именно эти миры представляют наибольший научный интерес в контексте поиска внеземной жизни.

Анализ с применением машинного обучения выявил 100 ранее неизвестных многопланетных систем, включая пять систем, содержащих экзопланеты в зонах обитаемости. Кроме того, было идентифицировано ещё 15 планет в зоне обитаемости одной системы, что говорит о высоком потенциале для стабильности жидкой воды.

Эта работа демонстрирует, что машинное обучение может ускорить валидацию экзопланет, сохраняя при этом научную строгость. Модульная архитектура позволяет напрямую адаптировать систему к будущим фотометрическим миссиям, таким как PLATO или Earth 2.0.

Обнаружение признаков жизни на экзопланете K2-18b вызвало широкий интерес: данные о возможных биомаркерах в атмосфере этой планеты заставили по-новому взглянуть на вероятность жизни за пределами Земли. Именно алгоритмы машинного обучения участвовали в обработке спектроскопических данных, позволивших сделать этот вывод.

ИИ в обнаружении других небесных объектов: сверхновые, астероиды, галактики

Возможности искусственного интеллекта в астрономии далеко выходят за рамки поиска экзопланет. Нейросети успешно применяются для обнаружения сверхновых, классификации галактик, поиска опасных астероидов и выявления аномальных объектов.

Обнаружение сверхновых в реальном времени

Развивается архитектура RT-SNDETR (Real-Time SuperNova Detection Transformer) — сквозная нейросетевая система для обнаружения сверхновых в реальном времени. Исследования показывают, что эта технология работает в 51,49 раза быстрее самого быстрого традиционного метода вычитания изображений, достигая точности 96,30% на синтетических данных.

Алгоритмы глубокого обучения анализируют кривые блеска и спектральные данные в 100 раз быстрее астрономов, сокращая время идентификации редких типов сверхновых с недель до часов. Это особенно важно для обнаружения переходных процессов в реальном времени, таких как килоновые — источники гравитационных волн, где промедление даже в несколько часов может привести к потере ценных данных.

Поиск аномальных объектов в архивах «Хаббла»

Исследователи Европейского космического агентства разработали инструмент ИИ под названием AnomalyMatch, способный анализировать десятки миллионов изображений и выявлять редкие и аномальные объекты. Благодаря этой системе астрономы изучили почти 100 миллионов фрагментов снимков из Архива наследия телескопа «Хаббл», хранящего 35 лет данных, всего чуть более чем за два дня. Они обнаружили около 1400 аномалий, из которых более 800 ранее никогда не были описаны в научной литературе.

Помимо сталкивающихся галактик, команда обнаружила множество эффектов гравитационного линзирования, когда массивный объект на переднем плане искажает свет более далёких галактик в дуги или кольца. Эти явления, предсказанные теорией общей относительности Эйнштейна, являются ценным инструментом для изучения распределения тёмной материи.

Мониторинг потенциально опасных астероидов

Российские учёные также не остаются в стороне. Разработчики подчёркивают, что нейросеть «Страж» не только облегчает научные исследования, но и обладает потенциалом для расширения своих функций. В ближайшем будущем планируется внедрить возможность обнаружения потенциально опасных астероидов и комет, что значительно повысит роль системы в сфере мониторинга космических угроз.

Классификация галактик

Для обучения моделей классификации галактик часто используют набор данных Galaxy Zoo, который является результатом волонтёрского сотрудничества. Существует множество работ, использующих различные алгоритмы машинного обучения: случайные леса, метод опорных векторов, нейронные сети. При этом автоматизация научных задач с помощью ИИ позволяет обрабатывать каталоги с миллиардами объектов без участия человека.

Какие телескопы и миссии используют ИИ для поиска небесных объектов?

Ведущие космические миссии уже встроили ИИ в свои аналитические конвейеры. Это не будущее — это настоящее современной астрономии.

Долгожданная обсерватория Веры К. Рубин готовится коренным образом изменить то, как человечество наблюдает за динамической Вселенной. Оснащённая самой большой в мире цифровой камерой, обсерватория начнёт «Обзор наследия пространства и времени» (LSST) — десятилетний проект, в ходе которого будет неоднократно сниматься всё южное небо, фиксируя всё — от взрывающихся звёзд и околоземных астероидов до тонких изменений в далёких галактиках.

Предстоящий телескоп NASA Nancy Grace Roman зафиксирует десятки тысяч транзитов экзопланет — и, как данные TESS, данные Roman будут свободно доступны. Достижения, полученные с моделями ExoMiner, помогут также искать экзопланеты в данных Roman.

Сравнение ИИ-методов обнаружения экзопланет

В задаче поиска экзопланет применяются принципиально разные подходы. Понимание сильных и слабых сторон каждого помогает выбрать правильный инструмент.

Исследования подчёркивают, что хотя модели машинного обучения достигают высокой базовой точности, их производительность может снижаться при работе с несбалансированными наборами данных. Метод SMOTE решает эту проблему, генерируя синтетические точки данных для класса меньшинства, обеспечивая более сбалансированные предсказания модели.

Как работает процесс обнаружения экзопланеты с помощью ИИ: пошаговая схема

Полный цикл обнаружения экзопланеты с применением ИИ занимает от нескольких минут до нескольких часов — против нескольких месяцев при ручном анализе. Вот как выглядит типичный рабочий процесс:

1. Сбор сырых данных. Телескоп (TESS, Kepler, ALMA) непрерывно фиксирует яркость тысяч звёзд и передаёт данные в архив NASA или ESA.
2. Предобработка данных. Алгоритмы автоматически очищают сигнал от шумов, нормализуют кривые блеска, устраняют систематические инструментальные артефакты.
3. Первичный детектор. Классический алгоритм BLS (Box Least Squares) или аналог выявляет кандидатов — участки кривой блеска, похожие на транзиты.
4. Нейросетевой классификатор. ИИ (например, ExoMiner++) анализирует каждого кандидата и вычисляет вероятность того, что сигнал вызван именно планетой, а не затменной двойной звездой или другим ложным источником.
5. Статистическая валидация. Алгоритм оценивает, насколько статистически достоверно данный объект является планетой, используя концепцию множественности и байесовский анализ.
6. Приоритизация для наблюдений. Высоковероятные кандидаты автоматически попадают в очередь для подтверждения наземными телескопами или космическими обсерваториями.
7. Подтверждение и публикация. После наземного подтверждения планета получает официальное обозначение и добавляется в каталог NASA.

Статистические методы и методы машинного обучения достигли такого уровня, что они опираются на новый процесс под названием «валидация», разработанный для открытия новых экзопланет. Вместо того чтобы полагаться на новые наблюдения в дополнение к транзитному методу, вновь открытые экзопланеты валидируются с использованием глубокого обучения ExoMiner и концепции множественности. Астрономы убеждены, что множественность повышает вероятность и уровень уверенности в том, что новый обнаруженный сигнал вокруг звезды, у которой уже есть экзопланеты, является именно планетой.

Будущее ИИ в астрономии: что изменится в ближайшие годы?

Следующее десятилетие обещает настоящий взрыв астрономических открытий — и ИИ станет главным инструментом, который сделает это возможным. Рост объёмов данных от новых телескопов делает автоматизацию не опцией, а необходимостью.

В ближайшие годы новые инструменты, такие как миссия «Евклид» ЕКА, обсерватория Веры Рубин и телескоп Нэнси Грейс Роман NASA, произведут ещё большие объёмы данных. «Евклид» наблюдает миллиарды галактик в крупном масштабе, «Рубин» проведёт десятилетний обзор с десятками петабайт изображений, а «Роман» расширит изучение Вселенной в ближнем инфракрасном диапазоне. Таким образом, инструменты на основе ИИ и нейронных сетей станут ещё более важными для помощи в обнаружении редких объектов и ещё неизвестных явлений.

Команда также работает над тем, чтобы дать модели ExoMiner++ возможность самостоятельно идентифицировать сигналы из сырых данных — без предварительного формирования списка кандидатов. Это фундаментальный шаг: от классификатора к полностью автономному охотнику за планетами.

Особую роль сыграет развитие интерпретируемого ИИ (explainable AI). Сегодня учёные уже требуют не просто ответа «это планета», но и понимания, почему алгоритм сделал именно такой вывод. Это критично для научного доверия к автоматизированным открытиям.

Компании и организации, принимающие решение о внедрении искусственного интеллекта в бизнес-процессы, могут взять пример с NASA: открытый исходный код, прозрачность алгоритмов и публичные данные — это то, что ускоряет научный прогресс и генерирует доверие к ИИ-системам в любой отрасли.

Эволюция идёт и в сторону агентного ИИ — систем, которые самостоятельно планируют наблюдения, выбирают интересные объекты и запрашивают время на телескопах без участия человека. Это та же тенденция, которая прослеживается и в направлениях развития ИИ в целом: от инструмента к автономному агенту.

Проблемы и ограничения ИИ в астрономии

ИИ — мощный инструмент, но не универсальное решение. Понимание его ограничений так же важно, как и знание возможностей.

• Проблема несбалансированных данных. В наборе данных TESS только 3% световых кривых являются настоящими кандидатами в планеты. Если классификатор просто предсказывает «не кандидат» для всех кривых, он всё равно достигнет «высокой» точности 97%, хотя не научился ничему и не может идентифицировать ни одного кандидата в планеты.

• Зависимость от качества обучающей выборки. Нейросеть не может обнаружить то, чего не видела при обучении. Редкие типы планет или новые физические явления могут оставаться невидимыми для стандартных моделей.

• Ограничения при ложных позитивах. ExoMiner иногда не может в достаточной мере использовать диагностические тесты, включая центроидный тест. Кроме того, в момент исследования ExoMiner не имел данных, необходимых для декодирования «флакс-контаминации» — измерения загрязнений из источника.

• Необходимость подтверждения. Даже при точности 99% ИИ-валидация не заменяет наземное подтверждение для самых значимых открытий. Статистическая достоверность и физическое подтверждение — разные вещи.

• Интерпретируемость. Многие глубокие нейросети остаются «чёрными ящиками». NASA специально разработала ExoMiner с модульной архитектурой именно для решения этой проблемы.

Подробнее об общих рисках, с которыми сталкивается любая организация при внедрении ИИ, рассказано в нашем разборе рисков внедрения искусственного интеллекта — многие из них актуальны и для научных применений.

Россия и ИИ в астрономии: отечественные разработки

Российские учёные активно работают в области применения нейронных сетей в астрономии, хотя эта тема значительно менее освещена в массмедиа, чем достижения NASA.

Нейросеть «Страж» МФТИ может стать важным инструментом не только для астрономов, но и для обеспечения безопасности планеты. В условиях стремительного развития технологий и роста объёмов поступающей с космических приборов информации появление таких решений является крайне своевременным и важным.

Фундаментальные исследования в области применения ИИ в различных сферах науки показывают: астрономия — одна из областей, где отдача от внедрения машинного обучения наиболее очевидна и измерима. Каждый новый подтверждённый мир — это конкретный, верифицируемый результат работы алгоритма.

Год стал годом агентного подхода: внимание сместилось от диалоговых моделей к системам, способным планировать действия и улучшать своё поведение на основе опыта. В астрономии это означает переход от пассивных классификаторов к активным агентам, которые самостоятельно выбирают объекты для наблюдения и оптимизируют использование телескопного времени.

При этом организации, изучающие возможности применения ИИ в своей деятельности, могут почерпнуть важный урок из астрономии: открытость данных и алгоритмов, как практикует NASA с ExoMiner++, многократно ускоряет прогресс и снижает риски «чёрного ящика».

Часто задаваемые вопросы

Сколько экзопланет нашёл ИИ?

На сегодняшний день ИИ-инструменты напрямую участвовали в обнаружении и валидации сотен экзопланет. ExoMiner подтвердил 370 экзопланет из данных Kepler, затем 301 дополнительно; система RAVEN валидировала 118 планет из данных TESS и выявила более 2000 высококачественных кандидатов; USRA и NASA совместно открыли 69 новых экзопланет с помощью глубокого обучения. Всего с учётом ИИ-ассистированных открытий счёт идёт на тысячи объектов.

Чем отличается «подтверждённая» и «валидированная» экзопланета?

Планета считается «подтверждённой», когда различные методы наблюдения выявляют особенности, которые можно объяснить только наличием планеты. Планета «валидирована» с использованием статистики — то есть оценивается, насколько вероятно или маловероятно, что она является планетой, исходя из данных. ИИ применяется преимущественно для статистической валидации.

Как ИИ отличает настоящую экзопланету от ложного сигнала?

Система использует нейронные сети глубокого обучения для анализа световых кривых, обнаруживая тонкие просадки звёздного света. ИИ различает настоящие планетные транзиты и ложные сигналы, вызванные такими явлениями, как затменные двойные звёзды. Дополнительно применяется анализ центроидного смещения, формы профиля транзита и сравнение со статистикой известных ложных позитивов.

Может ли ИИ находить экзопланеты самостоятельно, без участия учёных?

Пока — частично. Современные системы, такие как ExoMiner++ и RAVEN, автоматизируют большую часть рутинной работы: от обнаружения сигнала до его статистической валидации. Однако окончательное подтверждение наиболее значимых открытий по-прежнему требует наземных наблюдений и экспертной оценки учёных. Команда работает над тем, чтобы дать ExoMiner++ возможность идентифицировать сигналы из сырых данных самостоятельно — это следующий шаг к полной автономии.

Какие данные нужны для обучения ИИ-модели поиска экзопланет?

Для обучения используются: каталоги подтверждённых экзопланет (Kepler Archive, TESS TOI), каталоги известных ложных позитивов (затменные двойные, переменные звёзды), синтетические световые кривые, сгенерированные физическими симуляциями, и метаданные звёзд-хозяев (спектральный класс, масса, радиус). Чем богаче и разнообразнее обучающая выборка — тем точнее модель.

Какой алгоритм лучше всего подходит для поиска экзопланет?

Универсального ответа нет. В задаче классификации экзопланетных систем исследования использовали алгоритмы K-Nearest Neighbor, логистическую регрессию и Random Forest, причём Random Forest достиг наибольшей точности предсказания. Для работы с большими объёмами телескопических данных предпочтительны глубокие нейронные сети типа ExoMiner, тогда как Random Forest хорош для интерпретируемых задач с табличными признаками.

Открыт ли код астрономических ИИ-инструментов NASA?

Да. Все данные TESS и инструменты ИИ, включая ExoMiner++, находятся в открытом доступе, а программное обеспечение опубликовано как открытый исходный код на GitHub. Это позволяет любой исследовательской группе в мире адаптировать и улучшать инструменты, значительно ускоряя научный прогресс.