Нейросеть NightLANP в разы ускоряет восстановление кривых блеска для телескопа Рубин
Астрономические наблюдения с Земли ограничены погодными условиями и научными задачами, что приводит к разреженным и нерегулярным кривым блеска. С запуском обсерватории Рубин и её обзора LSST объём данных станет беспрецедентным, но и сложность обработки возрастёт.
Основной метод интерполяции — гауссовские процессы — медленный, плохо работает с несколькими спектральными диапазонами и требует настройки априорной функции. Учёные предложили альтернативу: семейство нейронных процессов, конкретно — модель NightLANP (Attentive Neural Processes).
Нейронные процессы объединяют вероятностную основу гауссовских процессов с масштабируемостью глубокого обучения. Модель обучается на разнообразных симулированных транзиентах, и после обучения основные вычислительные затраты приходятся на тренировку, а не на применение.
На реалистичных данных обзора Рубин для 15 классов транзиентов NightLANP превзошла все бенчмарки — гауссовские процессы и нейросети — по качеству регрессии, восстановлению астрофизических характеристик и вероятностной калибровке.
Интерполяция всех спектральных каналов занимает микросекунды — это в 4 порядка быстрее ближайшего конкурента среди нейросетей и в 5 порядков быстрее гауссовских процессов. Такая скорость делает модель пригодной для ночного потока оповещений LSST.
Важное преимущество: NightLANP избегает как излишней уверенности обычных нейросетей, так и недооценки неопределённости гауссовских процессов, выдавая точные и хорошо откалиброванные вероятностные оценки.
Работа закладывает основу для использования нейронных процессов как масштабируемого вероятностного фундамента для изучения транзиентов в реальном времени в эпоху телескопа Рубин.
