Подросток с помощью AI обнаружил 1,5 млн неизвестных объектов в космосе! 🤯 Это доказывает: технологии открывают космос для всех, даже для школьников. Круто же?
Старшеклассник использовал AI, чтобы выявить 1,5 миллиона ранее неизвестных объектов в космосе. Автор: Ann Motrunich, Калифорнийский технологический институт. Маттео Пас с президентом Caltech Томасом Ф. Розенбаумом. Фото: Калифорнийский технологический институт. В ходе своих исследований в Caltech местный старшеклассник обнаружил 1,5 миллиона ранее неизвестных объектов в космосе, расширив потенциал миссии NASA, и опубликовал статью в качестве единственного автора. Статья Маттео (Мэтью) Паса, опубликованная в The Astronomical Journal, описывает новый AI-алгоритм, который он разработал и который привел к этим открытиям. Алгоритм может быть адаптирован другими астрономами и астрофизиками для их собственных исследований. Пас заинтересовался астрономией ещё в начальной школе, когда мама привела его на публичные лекции по наблюдению за звёздами в Caltech. Летом 2022 года он приехал в кампус, чтобы изучать астрономию и связанные с ней компьютерные науки в Caltech Planet Finder Academy под руководством профессора астрономии Эндрю Ховарда. Астроном и старший научный сотрудник IPAC Дэви Киркпатрик стал наставником Паса. «Мне так повезло встретить Дэви», — говорит Пас. «Я помню, как в первый день сказал ему, что хочу работать над статьёй, что было гораздо более амбициозной целью, чем шесть недель. Он не отговаривал меня, а сказал: „Хорошо, давай обсудим“. Он позволил мне учиться без ограничений. Думаю, поэтому я так вырос как учёный». Киркпатрик вырос в фермерской общине в Теннесси и осуществил свою мечту стать астрономом благодаря помощи своего учителя химии и физики в девятом классе, Мэрилин Моррисон. Она сказала ему и его матери, что у него есть потенциал, и объяснила, какие курсы ему нужно пройти для подготовки к колледжу. «Я хотел передать такой же наставнический опыт кому-то ещё, и, надеюсь, многим другим», — говорит Киркпатрик. «Если я вижу их потенциал, я хочу убедиться, что они его реализуют. Я сделаю всё возможное, чтобы помочь». Киркпатрик также хотел получить больше информации от NEOWISE (Near-Earth Object Wide-field Infrared Survey Explorer), вышедшего на пенсию инфракрасного телескопа, который сканировал всё небо в поисках астероидов и других объектов вблизи Земли более 10 лет. Пока телескоп NASA наблюдал за астероидами, он также фиксировал изменение тепла от других, более далёких космических объектов, которые вспыхивали, пульсировали или тускнели, когда их затмевали. Астрономы называют такие объекты переменными: это трудноуловимые явления, такие как квазары, взрывающиеся звёзды и двойные звёзды, затмевающие друг друга. Но данные об этих переменных объектах ещё не были обработаны. Если команда NEOWISE сможет их идентифицировать и сделать доступными для астрономического сообщества, получившийся каталог может дать представление о том, как эти космические объекты меняются с течением лет. «На тот момент у нас было почти 200 миллиардов строк в таблице с данными за более чем десятилетие», — говорит Киркпатрик. «Моя идея на лето заключалась в том, чтобы взять небольшой участок неба и попытаться найти несколько переменных звёзд. Затем мы могли бы выделить их для астрономического сообщества, сказав: „Вот несколько новых объектов, которые мы обнаружили вручную; представьте, какой потенциал скрыт в этих данных“». Пас не собирался вручную просматривать данные. Его школьные занятия подготовили его к тому, чтобы подойти к задаче с новой точки зрения. Он заинтересовался AI на факультативе, который объединял программирование, теоретическую информатику и формальную математику. Пас знал, что AI лучше всего обучается на больших упорядоченных наборах данных, подобных тем, что дал ему Киркпатрик. У Паса также были продвинутые знания по математике, необходимые для программирования: он уже изучал математику уровня университета в Math Academy школьного округа Пасадены, где ученики заканчивают курс AP Calculus BC к восьмому классу. Поэтому Пас начал разрабатывать метод машинного обучения для анализа всего набора данных и выявления потенциальных переменных объектов. За шесть недель он создал черновик AI-модели, которая начала показывать первые результаты. Во время работы он консультировался с Киркпатриком, чтобы изучить необходимую астрономию и астрофизику. График обнаружения аномалий. Источник: The Astronomical Journal (2024). DOI: 10.3847/1538-3881/ad7fe6. «Каждая встреча с Дэви — это 10% работы и 90% разговоров», — говорит Пас. «Было очень круто просто поговорить с кем-то о науке». Киркпатрик также познакомил Паса с астрономами Caltech Шубанэ Хеммати, Дэниелом Мастерсом, Ашишем Махабалом и Мэтью Грэмом, которые поделились своим опытом в области машинного обучения для астрономии и изучения объектов, изменяющихся на коротких и длинных временных промежутках. Пас и Киркпатрик узнали, что особенности наблюдений NEOWISE означали, что телескоп не смог бы систематически обнаруживать и классифицировать многие объекты, которые либо быстро вспыхивали один раз, либо медленно изменялись в течение долгого времени. Когда лето закончилось, работы оставалось ещё много. В 2024 году Пас и Киркпатрик снова начали сотрудничать, и на этот раз Пас сам стал наставником для других старшеклассников. Теперь Пас доработал AI-модель, чтобы обрабатывать все сырые данные наблюдений NEOWISE, и проанализировал результаты. Алгоритмы, обученные обнаруживать малейшие различия в инфракрасных измерениях телескопа, выделили и классифицировали 1,5 миллиона потенциально новых объектов в данных. В 2025 году Пас и Киркпатрик планируют опубликовать полный каталог объектов, яркость которых значительно менялась в данных NEOWISE. «Модель, которую я создал, может использоваться для других исследований временных рядов в астрономии и, возможно, для любых других данных, представленных во временном формате», — говорит Пас. «Я вижу её применение, например, в анализе графиков фондового рынка, где информация также представлена в виде временных рядов, а периодические компоненты могут быть критически важны. Также её можно использовать для изучения атмосферных эффектов, таких как загрязнение, где периодические сезоны и циклы дня и ночи играют огромную роль». Сейчас, заканчивая школу, Пас работает в Caltech. Он трудится на Киркпатрика в IPAC, который управляет, обрабатывает, архивирует и анализирует данные NEOWISE и нескольких других космических миссий, поддерживаемых NASA и NSF. Это его первая оплачиваемая работа. Дополнительная информация: Matthew Paz, A Submillisecond Fourier and Wavelet-based Model to Extract Variable Candidates from the NEOWISE Single-exposure Database, The Astronomical Journal (2024). DOI: 10.3847/1538-3881/ad7fe6. Информация о журнале: Astronomical Journal. Предоставлено: California Institute of Technology
