Машинное обучение ускоряет поиск экзопланет: JWST и миссия Ariel переходят на нейросети
Астрономы всё активнее применяют машинное обучение (ML) и глубокое обучение (DL) для анализа данных телескопа James Webb (JWST) и подготовки к будущей миссии Ariel Европейского космического агентства. Новый обзор на портале arXiv обобщает последние достижения в этой области.
Современные обзоры экзопланет генерируют миллионы кривых блеска и спектров высокого разрешения. Традиционные методы обработки не справляются с таким потоком информации, что стимулирует переход к алгоритмам ML/DL. В работе рассмотрены как классические модели — случайные леса и свёрточные нейросети, так и более новые — трансформеры, рекуррентные архитектуры и методы симуляционного вывода (Neural Posterior Estimation и Flow Matching).
Ключевой результат: методы глубокого обучения по скорости и точности сравнимы с традиционными пайплайнами, а в ряде случаев превосходят их. Например, ML-алгоритмы для восстановления характеристик атмосферы сокращают время расчётов с часов до секунд, а ускорение выборки с вложением составляет в 3–8 раз без потери качества.
Важной частью обзора стали соревнования Ariel Machine Learning Data Challenges (2019–2025), проводимые совместно с конференцией NeurIPS. Они позволили протестировать и отобрать эффективные модели для будущей миссии. В качестве примера приводятся данные программы раннего научного релиза JWST по планете WASP-39b.
Среди нерешённых проблем авторы выделяют интерпретируемость моделей, калибровку неопределённостей при зашумлённых данных, гибридное моделирование и перенос обученных алгоритмов на разные инструменты и популяции планет. Тем не менее, исследователи намечают дорожную карту на эру JWST и запуск Ariel в 2029 году.
Применение ML/DL в экзопланетной науке уже стало стандартом — нейросети помогают не только быстрее обрабатывать данные, но и открывать новые закономерности, которые могли быть незаметны при традиционном анализе.
