Международная команда исследователей, работающая на стыке астрофизики и машинного обучения, представила инновационную методику поиска малых небесных тел, получившую название YOSO («You Only Stack Once»). Технология призвана преодолеть «вычислительный барьер», возникающий при обработке колоссальных массивов данных с обзоров неба. В отличие от классических подходов, требующих многократного перебора тысяч вариантов траекторий и скоростей для «накопления» слабого сигнала, YOSO использует принципиально иной алгоритм: он анализирует динамику яркости каждого пикселя и формирует итоговое изображение за один проход.
В фундаменте метода лежит Гауссовский фильтр движения (Gaussian Motion Filter, GMoF). Когда слабосветящийся объект, например ледяное тело за орбитой Нептуна, пересекает поле зрения прибора, график интенсивности затронутых им пикселей приобретает характерную колоколообразную форму. Параметры этой кривой математически привязаны к качеству оптики, пространственному разрешению детектора и предполагаемой угловой скорости объекта. Применение фильтра преобразует перемещение тела в четкий визуальный след на финальном кадре.
Для идентификации этих специфических траекторий исследователи задействовали архитектуру глубокого обучения YOLOv8 в высокопроизводительной модификации (YOLOv8-L). Нейросеть обучалась на репрезентативном наборе из 16 000 изображений, включающем как разнообразные артефакты (космические частицы, световые блики, следы спутников), так и синтезированные объекты звездной величиной от 19 до 27. Система продемонстрировала впечатляющую скорость, обрабатывая один снимок менее чем за 11 миллисекунд и успешно отсеивая помехи, которые раньше требовали длительного анализа экспертами-людьми.
Иллюстрация: Nano Banana
Эффективность алгоритма была апробирована на данных проекта DEEP (DECam Ecliptic Exploration Project), полученных с 4-метрового телескопа имени Виктора Бланко в Чили. В ходе пилотного тестирования YOSO выявил 11 ранее неизвестных транснептуновых объектов и 216 других движущихся тел во внутренней части Солнечной системы. Показательно, что ИИ смог обнаружить даже достаточно яркий объект (звездная величина 21,49), который был пропущен традиционными алгоритмами из-за сложной фоновой обстановки.
После обнаружения потенциального кандидата нейросетью, система выполняет автоматическую верификацию. Чтобы минимизировать влияние случайных шумов, ученые внедрили строгие фильтры: к примеру, требование нулевой эллиптичности источника подтверждает его точечную природу. Такая многоуровневая проверка обеспечивает точность итогового каталога на уровне 99%.
Разработчики алгоритма, включая ведущих экспертов из Института DiRAC при Вашингтонском университете и Лаборатории реактивного движения NASA (JPL), рассматривают YOSO как ключевой инструмент для «эры больших данных». Грядущий запуск Обсерватории имени Веры Рубин (LSST) потребует обработки беспрецедентных объемов информации, с которыми классические методы не справятся. Масштабируемый и быстрый YOSO идеально подходит для оперативной фильтрации потока данных в режиме реального времени.
Помимо наземных обзоров, технология открывает новые горизонты для будущих космических миссий, таких как NEO Surveyor, направленных на обнаружение потенциально опасных астероидов. Установка YOSO на борту космического аппарата позволит транслировать на Землю не сотни «сырых» снимков, а один информативный, уже обработанный кадр. Это существенно разгрузит каналы космической связи и ускорит идентификацию возможных угроз.
Внедрение интеллектуальных алгоритмов масштаба YOSO означает смену парадигмы в астрономии: от методов «грубой силы» к интеллектуальному распознаванию образов. Авторы исследования уверены, что их фреймворк найдет применение не только в поиске астероидов, но и в поиске экзопланет и даже в исследованиях плазмы. «В эпоху Big Data перенос основной нагрузки на интеллектуальные системы распознавания — единственный верный путь для изучения предельно слабых сигналов», — заключают эксперты в области цифровой астрономии.
Источник: iXBT
