ИИ-алгоритм находит молекулы в данных радиотелескопов за 17 минут
Современные радиотелескопы накапливают огромные объемы данных о химическом составе межзвездных облаков. Разбор этих данных обычно требует многочасовой ручной работы астрономов. Исследователи предложили автоматизированный метод, который использует машинное обучение для идентификации молекул по спектральным линиям.
Работа основана на статье, опубликованной на arXiv. Авторы разработали алгоритм, который работает в два этапа. Сначала он автоматически определяет ключевые параметры наблюдательных данных: температуру возбуждения, ширину линий и скорость источника. Затем переходит к сопоставлению наблюдаемых спектральных пиков с кандидатами в молекулы.
На втором этапе алгоритм оценивает не только спектроскопическое соответствие, но и химическую уместность каждого кандидата для конкретной межзвездной среды. Для этого используются вложения молекул, построенные с помощью машинного обучения. Модель анализирует области химического пространства, которые занимают реально наблюдаемые виды.
После того как линии приписаны, система генерирует новые молекулы, попадающие в те же области химического пространства. Такие соединения становятся перспективными целями для дальнейшего поиска в тех же наблюдательных данных. Это открывает возможность находить еще не открытые межзвездные молекулы.
Алгоритм проверили на спектральных обзорах темного молекулярного облака TMC-1 и области звездообразования IRAS 16293-2422B. В обоих случаях система определила не менее 67 молекулярных видов, на которые приходится более 90 процентов проанализированной интенсивности линий. При этом вся обработка заняла не больше 17 минут.
Авторы подчеркивают высокую точность работы метода. Автоматизация позволяет значительно ускорить анализ больших массивов спектральных данных и сосредоточить усилия астрономов на интерпретации результатов. В перспективе подобные алгоритмы могут стать стандартным инструментом при обработке наблюдений новых радиотелескопов.
Развитие методов машинного обучения в астрохимии помогает быстрее описывать состав межзвездной среды, что важно для понимания процессов образования звезд и планет. Новый подход сочетает скорость и надежность, что делает его привлекательным для применения в будущих обзорах неба.
