Благодаря новому алгоритму, основанному на искусственном интеллекте, ученые-астрономы смогли выявить ранее не зафиксированные тела в отдаленных областях Солнечной системы и одновременно оптимизировать процесс анализа колоссальных объемов данных наблюдений. Специалисты разработали систему под названием YOSO (You Only Stack Once), которая применяет техники машинного обучения для идентификации слабо светящихся, перемещающихся объектов на астрономических изображениях. Данная работа подчеркивает потенциал современных технологий искусственного интеллекта в повышении продуктивности поиска транснептуновых тел и других малозаметных образований Солнечной системы.

Транснептуновые объекты – это космические тела, вращающиеся за пределами орбиты Нептуна. Из-за их удаленности от нашей планеты и слабого отражения солнечного света их обнаружение представляет собой сложную техническую проблему. Для поиска подобных объектов астрономы обычно применяют технику последовательного наложения изображений – shift-and-stack. Однако, этот метод требует значительных вычислительных мощностей и обработки большого числа возможных траекторий движения.

В новой научной публикации представлена новая стратегия решения задачи. Вместо последовательного рассмотрения множества возможных траекторий, система YOSO интегрирует совокупность наблюдений в единый образ, подвергнутый специальной обработке, после чего использует алгоритм машинного обучения для идентификации характерных признаков движущихся объектов. Данная методика позволяет значительно снизить требуемые вычислительные ресурсы и минимизировать число ошибочных срабатываний.

Для оценки результативности разработанной технологии исследователи изучили информацию из обзора DEEP, полученную с использованием камеры Dark Energy Camera (DECam). В процессе тестирования алгоритм смог вновь определить 45 объектов за пределами Нептуна из общего числа 73, которые были первоначально обнаружены другим специализированным методом KBMOD. Помимо этого, система идентифицировала дополнительные 11 потенциальных кандидатов в объекты пояса Койпера, отсутствовавших в предыдущем списке.

Разработчики подчеркивают, что новая система пока не превосходит KBMOD по способности обнаруживать наиболее тусклые объекты на самых дальних расстояниях. В среднем, предельная звездная величина метода оказалась примерно на 0,88 единиц ярче, чем у сравниваемого алгоритма. Тем не менее YOSO показал ряд существенных достоинств: высокую скорость обработки данных и возможность находить объекты в сложных участках изображения, где обычные методы могут быть малоэффективны.

Помимо тел пояса Койпера, новая система позволила обнаружить 216 ранее неизвестных быстро движущихся объектов со скоростью от 10 до 60 угловых секунд в час, а также еще 27 объектов с более высокой скоростью – превышающей 60 угловых секунд в час. Среди них могут присутствовать астероиды главного пояса и околоземные объекты.

Разработчики отмечают, что ключевым преимуществом YOSO является способность с высокой степенью достоверности определять подходящие объекты. Последующий анализ выявленных элементов показывает результат практически без ошибок – около 99%, благодаря чему значительно уменьшается потребность в трудоемкой проверке большого количества ошибочных данных.

Специалисты полагают, что данная технология может быть особенно ценной для будущей обсерватории Vera C. Rubin Observatory и её проекта LSST по изучению неба. Огромные потоки данных, генерируемые этим проектом, потребуют наиболее эффективных способов автоматизированного анализа. Благодаря умеренным вычислительным требованиям и высокой производительности YOSO может стать важным средством для поиска новых тел Солнечной системы.

Кроме того, создатели считают, что разработанная методика может быть полезна не только при изучении небольших небесных тел Солнечной системы. Подобные технологии могут применяться для поиска планет за пределами нашей звездной системы, анализа изменяющихся звёзд, изучения взрывов сверхновых и даже обработки информации, получаемой в ходе будущих космических проектов по обнаружению астероидов, находящихся рядом с Землей.

В заключение следует отметить, что объединение машинного обучения с современными методами обработки изображений открывает широкие возможности в астрономических исследованиях и способствует обнаружению объектов, которые ранее были незаметны среди колоссальных объёмов информации.

Исследование опубликовано в журнале The Astronomical Journal.