ИИ самостоятельно нашёл редкие объекты в данных телескопа «Джеймс Уэбб»
Астрономы разработали модель искусственного интеллекта, которая смогла самостоятельно выделить редкие типы объектов в огромном массиве наблюдений космического телескопа «Джеймс Уэбб». Среди них оказались далёкие галактики и загадочные «маленькие красные точки» — Little Red Dots. При этом систему заранее не обучали распознавать эти классы и не задавали специальные критерии их поиска.
Модель получила название FM-JADES-v1. Для обучения исследователи использовали данные 482 444 объектов из пятого выпуска каталога JWST Advanced Deep Extragalactic Survey (JADES). В модель одновременно поступали многодиапазонные изображения и данные фотометрического каталога.
Ключевая особенность подхода заключается в самостоятельном обучении без заранее присвоенных объектам классов. Вместо того чтобы сообщать алгоритму, где находятся определённые типы галактик или другие интересующие астрономов объекты, исследователи позволили ему самому выявлять закономерности в данных.
После обучения каждый объект получил математическое представление — набор признаков, отражающих информацию о его изображении и фотометрических свойствах. Когда исследователи изучили получившееся пространство признаков, редкие популяции начали формировать отдельные «острова».
Среди них оказались галактики с большим красным смещением и «Маленькие красные точки». Причём для их выделения системе не потребовались ни предварительные метки этих популяций, ни специально разработанные астрономами критерии отбора.
Особенно интересным оказался результат для «маленьких красных точек» — компактных красных объектов, обнаруженных телескопом «Джеймс Уэбб» в ранней Вселенной. Их природа пока остаётся предметом исследований: значительная часть таких источников может быть связана с активно растущими чёрными дырами, однако свойства всей популяции ещё предстоит объяснить.
Исследователи также проверили, может ли полученное ИИ представление объектов помочь определять фотометрическое красное смещение — один из основных способов приблизительно оценивать расстояния до огромного числа галактик без получения полноценного спектра каждой из них.
В контролируемом тесте использовалась информация только из трёх диапазонов JWST — F115W, F200W и F356W. Модель достигла значения ошибки σNMAD = 0,157. Традиционный метод подгонки спектральных шаблонов на том же тесте показал σNMAD = 0,44. Чем меньше этот показатель, тем точнее оценка красного смещения.
Результат показывает, что подобные модели могут стать не просто автоматическими классификаторами уже известных объектов. Они потенциально способны работать как инструмент поиска аномалий — находить необычные группы источников, существование которых исследователи заранее не предусмотрели.
Это становится особенно важным по мере увеличения объёма астрономических наблюдений. JWST уже создаёт огромные каталоги, а будущие и действующие крупные обзоры с помощью космического телескопа Nancy Grace Roman, Euclid и обсерватории Vera C. Rubin будут содержать данные о миллионах и миллиардах источников. Ручной поиск редких объектов в таких массивах становится практически невозможным.
Авторы считают, что самообучающиеся модели смогут создавать универсальное пространство для поиска необычных популяций, после чего наиболее интересные кандидаты можно будет изучать традиционными астрономическими методами.
При этом FM-JADES-v1 не совершает астрономические открытия полностью автономно и не определяет физическую природу найденных объектов. Модель выявляет необычные структуры и группы в данных, а интерпретировать их и подтверждать открытия по-прежнему должны исследователи. Но такой подход может заметно изменить сам процесс поиска редких объектов: вместо заранее заданного вопроса «найди объекты такого типа» ИИ можно использовать для поиска того, что вообще выделяется на фоне остальной Вселенной.
Исследование в виде препринта на arXiv.