Исследователи из Великобритании и Японии с помощью алгоритма машинного обучения определили несколько вероятных мест посадки советского аппарата «Луна-9» — первого в истории аппарата, совершившего мягкую посадку на Луну в 1966 году. Результаты, опубликованные в журнале npj Space Exploration, вскоре могут быть проверены съемкой с индийского орбитального аппарата «Чандраян-2».
Несмотря на то что координаты места посадки были опубликованы в 1966 году, их точность была невысока, что впоследствии не позволило идентифицировать посадочную капсулу на снимках высокого разрешения с космического аппарата NASA LRO. Чтобы решить эту задачу, команда под руководством Льюиса Пино (Университетский колледж Лондона) разработала алгоритм YOLO-ETA, обученный распознавать характерные следы посадки рукотворных аппаратов на изображениях LRO.
Модель успешно протестировали на известных местах посадки, включая «Луну-16», а затем применили к району предполагаемого прилунения «Луны-9». Алгоритм выделил несколько перспективных кандидатов, на которых видны признаки воздействия на грунт.
Ожидается, что в марте 2026 года орбитальный аппарат «Чандраян-2» проведет детальную съемку этого района. Если одно из предсказанных алгоритмом мест подтвердится, это положит конец 60-летней загадке и позволит точно локализовать исторический космический аппарат.
Сравнение: оригинальное изображение с Hyper Suprime-Cam на Subaru (слева) и улучшенное с ImageMM (справа). Левое — стандартное качество.
Прикладные математики и астрономы из Университета Джона Хопкинса разработали новый метод получения изображений с наземных телескопов с четкостью, сопоставимой со снимками из космоса. Это расширяет возможности наземных приборов, позволяя наблюдать далекие звезды, галактики и другие объекты для изучения происхождения и структуры Вселенной.
Алгоритмы устраняют атмосферные помехи, вызванные движением воздуха, колебаниями температуры и давления, которые искажают свет, особенно от слабых источников. Традиционные методы либо размывали детали, либо создавали артефакты. Новый инструмент, названный ImageMM, моделирует распространение света и влияние атмосферы, используя метод мажоризации–минимизации (MM) для восстановления четких изображений.
"Представьте атмосферу как мерцающий занавес, за которым скрыто размытое небо. Наши алгоритмы позволяют заглянуть за него, восстанавливая четкую картину", — сказал Яшил Сукурдип, математик из университета, разработавший алгоритм.
Первые тесты на телескопе Subaru (на Гавайях) восстановили размытые изображения за секунды, выявив детали спиральных галактик. Метод предназначен для обсерватории Веры К. Рубин в Чили, которая начнет работу в этом году, для сбора данных о темной энергии и материи — компонентах, ускоряющих расширение Вселенной и связывающих галактики.
"Это революционизирует обработку астрономических наблюдений, улучшая глубину и качество для точного анализа форм галактик и гравитационных эффектов", — отметил Тамас Будавари, руководитель исследования.
Хотя космические телескопы вроде Хаббла дают превосходное разрешение, они покрывают лишь 0,1% неба. Наземные обсерватории, такие как Рубин, смогут сканировать все небо каждые дни, а новый метод сделает их изображения почти идеальными.
Над человечеством нависла угроза, сравнимая разве что с внезапным обновлением Windows посреди рабочего дня. Знаменитая звезда Бетельгейзе, эта капризная дива космоса, объявила, что скоро устроит шоу. Очень скоро — то ли завтра, то ли через пару десятков тысячелетий. Астрономы разводят руками, мол, извините, точного времени смерти сверхгигантов не знает никто.
И да, голливудских цунами не будет. Но цивилизация, гордо мечтающая о Марсе, мгновенно скатится в аналоговые 90-е.
Мир заблудится: бумажная карта как новый GPS Спутники сгорят первыми, и Земля утонет в навигационном хаосе. В Лос-Анджелесе каршаринг-инвесторы будут неделями кружить по кварталу, а водители Uber введут тариф «Премиум» — с бумажной картой. В Европе немцы разорят антикваров в поисках компасов, а французы-байкеры вдруг станут VIP-проводниками. В Японии диспетчеры впервые за полвека достанут бумажные графики, а император ищет мастеров «оригами-карт».
Цифровая ломка Интернет-паника накрывает всех. Американцы скупают DVD с «Друзьями» и «Сопрано», диски на Amazon стоят как золото. Корейские фанаты BTS записывают клипы на кассеты, бразильцы обменивают теленовеллы на бензин и рис.
Финансы: звёздный кризис — новый тренд На Уолл-стрит традиционный дзен: «Сверхновая? Отличный повод для коррекции!». Биткоин лишь продолжает дёргаться на графиках — ему всё равно. Ходят слухи, что Накамото заранее прописал инструкцию: «При вспышке просто HODL».
Транспорт: назад в эру драконов Круизные лайнеры нанимают матросов с подзорными трубами, авиакомпании возвращают штурманов. Оказалось, умение читать звёзды важнее, чем обновлять планшеты. Итог: меньше Wi-Fi, больше человечности Готовьтесь: Бетельгейзе устроит нам коллективный «режим в самолёте». Может, наконец-то поговорим с соседями. И если ночью станет светло, как днём — не паникуйте. Просто купите бумажную карту, пока айтишники Кремниевой долины не разобрали все.
Так что, ностальгирующие по «старым добрым временам», когда карты были бумажными, музыка на кассетах, а кофе стоил как хлеб, — выходите из тени. Ваш звёздный час настал. Посмотрим, правда ли «раньше было лучше».
Различия в SED, спектроскопии и морфологии галактик, квазаров и звёзд. Спектры — из SDSS, SED и изображения — из KiDS, показывающие характерные особенности каждого типа объектов.
Недавнее исследование учёных из Юньнаньской обсерватории Китайской академии наук представило нейронную сеть для классификации звёзд, галактик и квазаров. Точная классификация этих объектов важна для понимания структуры и эволюции Вселенной. Спектроскопия даёт высокую точность, но требует много времени и ресурсов, тогда как фотометрия эффективнее, но классификация на основе только морфологии или спектрального распределения энергии (SED) бывает неточной — например, квазары и звёзды с большим красным смещением выглядят как точечные источники и трудно различимы.
Для решения этой проблемы разработана мультимодальная модель нейросети, которая одновременно учитывает морфологию и SED-данные. Обучение проводилось на спектроскопически подтверждённых объектах из 17-го выпуска данных Sloan Digital Sky Survey (SDSS). Применение модели к пятому выпуску данных обзора Kilo-Degree Survey (KiDS) позволило классифицировать более 27 миллионов источников с яркостью до r = 23 на площади около 1350 квадратных градусов.
Тестирование показало высокую точность: среди 3,4 миллионов источников Gaia с выраженным собственным движением или параллаксом модель правильно определила 99,7% звёзд. Аналогичные результаты были получены при классификации объектов из 4-го выпуска данных о скоплениях галактик и массах, где 99,7% источников были верно отнесены к галактикам или квазарам.
Кроме того, модель исправляет ошибки существующих каталогов: некоторые объекты, ошибочно обозначенные как звёзды в SDSS, но визуально идентифицируемые как галактики, были корректно переклассифицированы нейросетью.
Очень понравилась визуализация и стало интересно, а как с этим справится ИИ. Попросил нейросеть написать скрипт визуализацию движения планет и он выдал код, который запихнул в HTML и выложил на хостинг. На выходе получилось вот что:
И это вообще без знаний разработки, анимации и прочего. Результат можно тут увидеть - https://aipanda.online/test/sun/sunsystem.html. Дальше я попросил сделать анимацию положения меркурия на небосклоне при наблюдении с земли и выделить моменты ретроградности. И получилось вот что:
Давно занимаюсь практическим применением нейросетей и даже агрегатор свой сделали для агентства, но не думал, что вообще без знаний каких-либо в разработке можно такое сделать за 5 минут.
Изображение из исследования, демонстрирующее, как инструменты машинного обучения могут улучшить анализ изображений и картографирования с помощью изображений поверхности Марса.
Как можно использовать искусственный интеллект (ИИ) для совершенствования методов картографирования и получения изображений на других планетах? Именно на это направлено исследование, представленное на 56-й конференции по лунным и планетарным наукам, в ходе которого одинокий исследователь изучил применение моделей машинного обучения для расширения возможностей картографирования и визуализации на основе орбитальных снимков, полученных с помощью контекстной камеры Mars Reconnaissance Orbiter (MRO), находящейся на орбите Марса.
Это исследование может оказать значительное влияние на ученых, инженеров и широкую общественность, способствуя более глубокому пониманию преимуществ искусственного интеллекта в проведении продвинутых научных исследований, особенно в контексте глобальных изображений Земли и других небесных тел.
Сегодня Universe обсуждает это увлекательное исследование с доктором Эндрю Эннексом, старшим инженером по научным системам в Институте SETI, о мотивации исследования, следующих шагах в разработке моделей машинного обучения и важности их применения для улучшения существующих методов. Какова же была мотивация данного исследования?
"Основной целью моей работы было стремление ускорить научные открытия и исследования, а также повысить научную отдачу от имеющихся наборов данных о Марсе", — делится доктор Эннекс в интервью Universe Today.
"Многие исследования Марса начинаются с простого определения объектов на поверхности и их локализации. Обычно это достигается тем, что ученый вручную просматривает сотни, а иногда и тысячи изображений. Однако этот процесс может быть крайне медленным и утомительным, особенно при анализе поверхности с высоким разрешением, поскольку требует обработки огромного объема информации."
В ходе своего исследования доктор Эннекс оценил, как существующие методы анализа изображений могут быть улучшены с помощью моделей и инструментов машинного обучения, включая поиск изображений на основе контента (CBIR), OpenAI CLIP (предварительное обучение контрастному языку и изображениям) и архитектуру облачных вычислений. Цель CBIR заключается в том, чтобы взять исходное изображение и просканировать базу данных в поисках схожих изображений, анализируя их содержимое.
OpenAI зарекомендовала себя как ведущая исследовательская компания, стремящаяся усовершенствовать искусственный интеллект на благо человечества в повседневной жизни, а ChatGPT, вероятно, является ее наиболее известной и широко используемой моделью. OpenAI CLIP — это модель машинного обучения, предназначенная для изучения взаимосвязи между изображениями и текстом при работе с обширными наборами данных.
Облачные вычисления предполагают использование сети удаленных серверов для управления большими объемами данных, включая мобильные технологии, базы данных, хранилища, приложения и многое другое.
В результате доктор Эннекс успешно применил модели машинного обучения для анализа глобальных мозаичных изображений CTX на Марсе, включая идентификацию и сопоставление конкретных сходств изображений на Красной планете. Подчеркнув, что это исследование открывает возможности для дальнейших улучшений, включая специфические поисковые запросы, доктор Эннекс отметил, что модели машинного обучения могут быть использованы для изучения планет по всей Солнечной системе.
"В конечном итоге я создал базовую систему визуального поиска, которая позволяет исследовать поверхность Марса с разрешением CTX в пикселях", — рассказывает доктор Эннекс в интервью Universe Today.
"Эта работа не представляет собой единую модель, отвечающую на конкретный вопрос, как это обычно бывает в других исследованиях в области машинного обучения [ML] в планетологии. Это применение программного обеспечения (и машинного обучения) для быстрого поиска множества различных объектов в данных."
Первое изображение с марсианского орбитального аппарата было получено 15 июля 1965 года космическим аппаратом НАСА "Маринер-4", который передал полоски кода, которые ученые и инженеры раскрасили в соответствии с номером кода. 16 июля было получено первое черно-белое орбитальное изображение.
Эта историческая миссия продемонстрировала, что Марс — это не тот водный и тропический ландшафт, о котором мечтали ученые с тех пор, как Персиваль Лоуэлл в начале 20-го века объявил о существовании живых существ на этой планете.
С тех пор марсианские орбитальные аппараты из различных стран прислали невероятные снимки Красной планеты, открывающие мир, в котором, возможно, миллиарды лет назад существовали океаны и реки с жидкой водой.
Благодаря неустанной работе этих роботов-исследователей вся поверхность Марса была запечатлена, и некоторые из изображений отличаются невероятной детализацией, полученной с помощью контекстной камеры НАСА и камеры научного эксперимента с высоким разрешением (HiRISE). Так в чем же заключается важность использования моделей машинного обучения для улучшения существующих методов анализа изображений Марса?
Доктор Эннекс говорит в интервью Universe Today: "Я считаю, что важность заключается в том, что за последние 25 лет, несмотря на увеличение вычислительной мощности, объем данных, которые нам необходимо анализировать для ответа на наши научные вопросы, также возрос, но скорость использования этих данных не увеличилась. Существующие методы не успевают за развитием событий, поскольку они не основаны на вычислениях, а на обычном и критическом анализе изображений на глаз и геологической интерпретации.
"Многие революционные научные открытия, касающиеся Марса, были сделаны благодаря наблюдениям поверхности с более высоким разрешением, чем было доступно ранее. Но сейчас, имея полную картину поверхности, которую предоставляет глобальная мозаика CTX, можно задавать другие важные вопросы о Марсе.
"Однако увидеть всю поверхность с разрешением 5 метров на пиксель одному человеку не под силу. Это просто огромная площадь, которую необходимо анализировать и запомнить. Машинное обучение важно не только с точки зрения скорости, но, возможно, еще более значимо с точки зрения гибкости в автоматизации задач, которые обычный компьютерный анализ изображений не может выполнить эффективно из-за объема данных и ограниченного времени.
"Я не думаю, что машинное обучение заменит весь анализ изображений, но рассматриваю его как еще один инструмент в арсенале, который можно использовать для дополнения и совершенствования существующих методов и анализа."
