Алгоритм FLIP повысил чувствительность поиска экзопланет в данных телескопа James Webb в два—15 раз и смог выделить планету 51 Eridani b на длине волны 4,3 микрометра, где стандартная обработка не дала результата. Для астрономии это шанс получать больше прямых изображений далёких миров без требования к почти недостижимой стабильности оптики; для IT — наглядный пример того, как машинное обучение работает вместе с физической моделью, а не вместо неё.
Метод разработала группа под руководством Родриго Феррер-Чавеса из Северо-Западного университета, сообщает The Register. Проект получил название Physics-based Learning for Imaging Planets, или FLIP: в нём модель описывает прохождение света через телескоп, учитывает несовершенства оптической системы, а затем строит оценку паразитной засветки для вычитания из снимка.
Главная проблема прямой съёмки планет проста по формулировке и крайне неприятна на практике: звезда рядом с планетой светит несравнимо ярче. Даже коронограф, который должен закрыть свет центральной звезды, не даёт идеальной темноты. Малейшие изменения в оптике, положении элементов или характеристиках прибора оставляют на кадре световые артефакты. Слабый сигнал планеты легко растворяется именно в них.
Обычные методы обработки пытаются вычесть модель звезды либо используют эталонные изображения. Но эталон может не совпасть с конкретным состоянием инструмента во время наблюдения. FLIP решает эту задачу иначе: он не воспринимает снимок как набор пикселей, который надо «улучшить» нейросетью. Сначала система опирается на физику телескопа, затем оптимизационные приёмы, знакомые ML-разработчикам, подбирают параметры оптических дефектов и остаточной засветки.
Проверка прошла на данных камеры ближнего инфракрасного диапазона NIRCam на борту James Webb Space Telescope. Известную гигантскую планету 51 Eridani b удалось увидеть на 4,3 микрометра впервые. Это не означает открытие нового мира: объект уже был известен астрономам. Зато он стал удобной контрольной точкой, чтобы показать практическую ценность подхода там, где прежний конвейер обработки не извлекал планетный сигнал.
Не магия нейросети, а модель прибора
В публикации в Nature исследователи называют результат первым случаем, когда такой подход заметно улучшил чувствительность на реальных наземных данных коронографической съёмки. Формулировка важна: модели, которые отлично работают на симуляциях, в научной аппаратуре регулярно сталкиваются с дрейфом датчиков, шумом, дефектами калибровки и другими деталями, отсутствующими в красивом датасете.
FLIP интересен именно связкой доменной модели и оптимизации. В бизнесовых задачах похожая идея известна как physics-informed или model-based machine learning: алгоритму не предлагают угадывать всё с нуля, а ограничивают пространство решений законами предметной области. Это уменьшает риск получить убедительный, но физически бессмысленный ответ — критично, когда итогом становится заявление о новой планете, а не рекомендация очередного ролика.
Для команд, работающих с инженерными, промышленными и научными данными, здесь есть вполне прикладной вывод. Чем дороже ошибка и чем хуже размечены данные, тем полезнее вкладываться в модель процесса: оптику телескопа, работу оборудования, физику датчика или ограничения сети. Генеративная часть может ускорить подбор параметров, но достоверность результата в таком случае держится на проверяемых предположениях, а не на эффектной демонстрации.
Авторы рассчитывают распространить подход на другие космические и наземные обсерватории. Одновременно у метода есть вполне земное ограничение: вычислительная стоимость. Команда отдельно указывает, что FLIP нужно ускорять и адаптировать к существенно большим потокам данных от наземных телескопов. Это типичная история для научного ML: удачный эксперимент ещё предстоит превратить в воспроизводимый и достаточно быстрый инструмент обработки.
Если метод переживёт расширенные проверки, поиск экзопланет сможет меньше зависеть от идеального поведения оптики. До прямых снимков планет земного типа путь всё ещё длинный, но прирост чувствительности в несколько раз меняет экономику наблюдений: часть информации можно извлечь из уже полученных данных, а не ждать следующего поколения телескопов. Подробности эксперимента и ссылку на научную работу приводит .
