Зачем астрономам нейросеть, которая ищет на снимках не звёзды, а то, что исчезло?

Зачем астрономам нейросеть, которая ищет на снимках не звёзды, а то, что исчезло?

Два снимка одного и того же участка неба, сделанные в разное время. На одном — привычная россыпь звёзд, на другом — та же картина, только после сопоставления проявляется точка, которой раньше не было, или, наоборот, источник, который был и пропал. Интересна здесь не сама звёздная россыпь, а разница между кадрами: именно она может указывать на редкое событие. Нейросеть в такой работе нужна не для любования космосом, а для того, чтобы быстро перебрать горы почти одинаковых изображений и выделить то, что действительно изменилось.

Как два снимка превращаются в список изменений

Обычно свежий снимок сопоставляют с эталонным изображением того же участка неба, сделанным раньше. Кадры выравнивают, учитывают различия в резкости, чувствительности и условиях съёмки, а затем из нового кадра вычитают эталонный. На разностном снимке проявляются объекты, которые стали ярче, слабее, появились или исчезли. Этот приём называют разностной фотометрией, или difference imaging, и он лежит в основе поиска многих быстрых событий.

Разностный снимок сам по себе не объясняет, что произошло. Он показывает, где изменилась яркость. Дальше нужно смотреть, что за объект в этом месте, есть ли он в каталогах, как менялась его яркость раньше и не является ли это дефектом обработки.

Бытовое сравнение простое: если сфотографировать один и тот же двор утром и вечером, а потом сравнить кадры, глаз зацепится за изменившееся, а не за каждую знакомую деталь. В астрономии таких «дворов» слишком много, и смотреть их вручную невозможно. Поэтому автоматика сначала находит кандидатов, а потом в дело вступает человек.

Переменные звёзды и транзиенты — не одно и то же

Переменный источник меняет яркость по более или менее понятному сценарию: пульсирует или периодически вспыхивает. Транзиентом обычно называют событие, которое возникает и развивается на ограниченном промежутке времени: вспышку звезды, сверхновую, приливное разрушение звезды или оптический сигнал после другого космического события. Для алгоритма оба случая могут выглядеть как изменение между двумя кадрами, но научная интерпретация у них разная.

Поэтому не стоит называть транзиентами все изменения подряд. Пульсирующая звезда и внезапная вспышка могут попасть в один список кандидатов, но изучать их будут по-разному. Одно дело — регулярная переменность, другое — событие, которое случилось и закончилось.

Главный враг — не космос, а мусор

После вычитания изображений появляются ложные объекты. Следы космических лучей, дефекты матрицы, ошибки совмещения кадров, различия атмосферной резкости, пересвеченные звёзды и остаточные изображения вокруг ярких объектов — всё это может выглядеть как новая находка. Туда же добавляются астероиды, которые случайно оказываются там, где их не ждут. Поэтому нейросеть чаще всего работает не как «открыватель звёзд», а как классификатор «настоящее изменение или мусор»: оценивает кандидата и помогает сократить поток ложных срабатываний. На мой взгляд, главная ценность здесь именно в этом — не в волшебном поиске, а в фильтрации и ускорении рутинного сравнения. Алгоритм не «понимает» физику объекта, но хорошо справляется со скучной частью работы.

Что показал реальный обзор: ZTF и SNAD

Zwicky Transient Facility, или ZTF, регулярно фотографирует большие участки неба и выдаёт много кандидатов на изменения. На его данных работал проект SNAD: алгоритмы искали необычные объекты в данных обзора. В результате выделили 277 таких объектов из более чем 2,25 млн источников в трёх полях наблюдения. После проверки специалистами 188 случаев, то есть 68%, оказались ложными кривыми блеска: артефактами обработки, наложением изображения звезды на известный астероид и другими техническими причинами. Ещё 23 объекта не были ранее каталогизированы и представляли потенциальный научный интерес.

GPT-ЛОГИЯ

Кривая блеска здесь важна не меньше самого снимка. Это график яркости объекта во времени, по которому видно, вспыхнул объект один раз, пульсирует ли он регулярно или его «изменение» выглядит странно и не укладывается в известные сценарии. Поэтому 23 объекта в истории SNAD — не 23 сенсации, а кандидаты, которым нужна дальнейшая проверка. Автоматика сузила поле поиска, но не подменила астрономический анализ.

Проект VASCO: охота за пропажами

Отдельный пример — проект VASCO, который искал появляющиеся и исчезнувшие источники. В нём сопоставляли старый каталог USNO с более современными наблюдениями Pan-STARRS. Речь шла примерно о 600 млн объектов; первичное сравнение дало около 150 тыс. кандидатов без соответствия в современном каталоге. После дополнительных фильтров и визуальной проверки исследователи выделили около 100 точечных источников, которые были видны на старых снимках, но не обнаруживались на новых.

Здесь важно сразу оговориться: «исчез» на снимке не значит «физически исчез». Часть объектов могла сместиться из-за собственного движения, оказаться слишком слабой для нового обзора, попасть в ошибку координат или стать жертвой дефекта архивной пластинки. Поэтому в VASCO важны были не только алгоритмы, но и машинное обучение, сопоставление каталогов и визуальный просмотр. Старые и новые данные сделаны разной техникой и в разных условиях, механически сравнивать их нельзя.

Почему пропавший объект — не обязательно чёрная дыра

Самый известный соблазн в таких историях — сразу объявить пропажу рождением чёрной дыры. Есть объект N6946-BH1, который наблюдался до резкого ослабления в видимом диапазоне. Его рассматривают как кандидата на «неудавшуюся сверхновую»: массивная звезда могла коллапсировать почти без обычного взрыва и образовать чёрную дыру. Но и здесь корректная формулировка — только кандидат.

Исчезновение света само по себе не доказывает появление чёрной дыры. Нужны дополнительные наблюдения, в том числе в инфракрасном диапазоне, и исключение более прозаичных причин. У пропавшего объекта могут быть разные объяснения: вспышка красного карлика, сверхновая, микролинзирование, новая или просто ошибка данных. Научная аккуратность здесь не бюрократия, а способ не превратить интересный сигнал в красивую, но неверную историю.

Где остаётся человек

Рабочая схема выглядит так: алгоритм отбирает кандидатов, а астроном проверяет изображения, кривую блеска, положение объекта, каталоги и возможные наблюдения в других диапазонах. В VASCO использовали и гражданскую науку: участники просматривали пары архивных изображений и помогали классифицировать кандидатов. Главный сдвиг здесь в том, что нейросеть не заменяет астронома, а снимает с него часть рутины. Она хорошо находит различия и отсеивает очевидный мусор, но физическую природу объекта всё равно устанавливают последующие наблюдения и анализ специалистов. В астрономии это особенно важно, потому что цена поспешного вывода высока: за красивой гипотезой может стоять обычный сбой в данных. Поэтому нейросеть здесь стоит воспринимать не как волшебный телескоп, который сам открывает космос, а как рабочий инструмент для огромного потока изображений. Тот же принцип — автоматика отсеивает мусор, человек проверяет — полезен не только в астрономии. Если хочется разбираться в практическом применении ИИ дальше, в GPT-Лаборатории разбирают такие рабочие сценарии без лишнего пафоса: https://t.me/jopotology, https://vk.ru/jopotology.

Метод сравнения снимков полезен там, где нужно заметить изменение среди огромного числа почти одинаковых кадров. В астрономии это транзиенты, вспышки и пропавшие источники: именно так редкие события получают шанс быть замеченными, а не потеряться среди миллионов почти одинаковых звёзд.