— Недавно алгоритм на основе искусственного интеллекта впервые самостоятельно нашёл, подтвердил и классифицировал сверхновую звезду, а затем опубликовал данные об объекте. Как на практике ИИ делает такие открытия?
— Сначала с помощью телескопов фиксируется какой-то новый космический объект и снимается с других устройств. На этих снимках можно увидеть его отличительные характеристики, например спектральные. Иными словами, можно оценить свечение тела. До того как классифицировать что-то новое, нейронная сеть обучается: через неё прогоняют огромное количество подобных изображений сверхновых звёзд с различными характеристиками. После этого уже обученная нейросеть самостоятельно классифицирует новые объекты.
— Ранее американская нейросеть ExoMiner открыла более 300 экзопланет. Об этом сообщали в NASA. Насколько широкое применение нейросети сегодня находят в астрономических наблюдениях?
— Напомню, что экзопланета — это такой тип планеты, которая находится за пределами Солнечной системы и похожа на Землю. Обычно в телескоп её увидеть невозможно. Экзопланеты открывают при помощи так называемого метода транзита. Во время прохождения экзопланеты перед диском её родительской звезды у последней падает светимость и в целом меняется спектр свечения. Такие наблюдения позволяют определить размеры экзопланеты и, возможно, некоторые её характеристики. В Московском университете идёт проработка космической миссии МГУ-270 с телескопом на борту как раз для изучения характеристик экзопланет фотометрическим способом.
Что касается американской нейросети, то она работает по общему для всех нейросетей принципу. Если научить ИИ распознавать изменённые спектры свечения, то он сможет с лёгкостью обнаружить экзопланету. Важно отметить, что нейросети позволяют делать интересные открытия даже на основе общедоступной информации — путём поиска в ней ранее не замеченных закономерностей.
Обычно для новых исследований запускается новый космический спутник или прибор в составе большой миссии. Сначала данные с аппарата используют только разработчики проекта, а лишь спустя время их выкладывают в открытом доступе — когда они, казалось бы, уже не могут дать никаких научных сенсаций. Однако современные нейросети способны выявлять в этих массивах данных интересные закономерности и делать с их помощью открытия.
— Какие технические условия необходимы, чтобы задействовать ИИ в астрофизике?
— Прежде всего, чтобы нейросеть работала корректно, она должны быть «обучена» на огромном объёме данных. Которые при этом должны быть специальным образом размечены, чтобы нейросеть «поняла», что именно она должна искать на готовых примерах. В России, например, подобными разработками занимаются учёные Института космических исследований РАН.
В общем-то нейронные сети возникли довольно давно. В 2000-е годы я уже экспериментировал с подобными алгоритмами в лаборатории компьютерной графики факультета вычислительной математики и кибернетики МГУ. Тогда наша команда пыталась при помощи нейросети решать задачу по поиску лиц человека на изображении. И нейросеть работала — правда, тогда ещё очень медленно.
С ростом производственных мощностей компьютеров появилась возможность обрабатывать большие объёмы данных и на их основе обучать нейросети. И этот подход эффективен для решения ряда плохо формализованных задач, к которым относятся обработка изображений и музыки, синтез картинок и звука и т. п.
— Ранее нейросеть позволила учёным из Института перспективных исследований Принстона улучшить изображение чёрной дыры, расположенной в центре галактики M87. Однако насколько можно доверять изображениям, сгенерированным нейросетью, если речь идёт о научных исследованиях? Нет ли риска фальсификации, что алгоритм просто «дорисует» какие-то элементы по аналогии с другими снимками? Нужно ли проверять подлинность сделанных ИИ открытий?
— Конечно, такой риск есть и полностью доверять информации, полученной от нейронных сетей, не следует. В данном случае нейронная сеть знала, как выглядят разные чёрные дыры, и смогла дорисовать «пропуски» в неполном изображении космического объекта, которое было получено с помощью сети радиотелескопов. Но не всегда можно проверить, верно искусственный интеллект сгенерировал итоговую картинку или нет.
Аналогичная проблема с нейронными сетями есть и при математическом моделировании различных процессов и явлений. Нередко нейросети выдают неверное или слишком неточное решение. Результаты нейросети нужно перепроверять, классические методы математического моделирования на основе дифференциальных уравнений во многих случаях дают существенно лучшие результаты при большой скорости. Преимуществом нейронных сетей является условный, общий подход. Появилась даже новая специализация — data scientist, специалист по нейросетям и машинному обучению.
— Могут ли нейросети прогнозировать и моделировать такие космические явления, как, например, движение планет, формирование галактик и появление чёрных дыр? А также более необычные явления, такие как гамма-всплески или вспышки на Солнце?
— Да, могут, но тут опять же нужно отталкиваться от задачи, которую мы ставим. На нашем факультете студент с помощью нейросети пытался прогнозировать движение искусственных спутников Земли. У него получилось — нейросеть сгенерировала данные, но точностью прогноза они не отличались. С помощью классических методов такие вычисления проводить намного эффективнее, если нужны точные результаты.
— Учёные также используют ИИ для управления навигацией спутников. Впервые спутник под управлением нейросети был выведен на орбиту американскими учёными в 2020-м, в начале этого года китайские специалисты на целые сутки передали управление спутником ИИ. Аналогичные разработки ведутся и в России. Расскажите, пожалуйста, о применении нейросетей в этой области.
— Что касается спутников, то для нейросетей здесь есть несколько интересных областей применения.
Например, спутнику дистанционного зондирования Земли нужно сделать изображение какого-то региона. Обычно зонд снимает конкретную область и далее пересылает результаты на Землю. В исследовательском центре изображение обрабатывается, и потом специалисты анализируют полученную информацию.
Однако бывают такие ситуации, когда снимок не доходит до наземной станции в силу каких-то обстоятельств — сбоев в работе аппарата или плохих условий связи. В этом случае снимок сохраняется в памяти спутника.
Когда снимки наконец попадают в руки учёных, нередко оказывается, что до 80% фотографий не представляют никакого интереса — там просто облака. Но при этом они занимали место в памяти спутника, а также было потрачено время на их обработку. Есть смысл принимать решение, годен ли снимок, непосредственно на борту космического аппарата с помощью ИИ. Это уже реализовано на некоторых спутниках.
Есть ещё одна актуальная область применения нейросетей — когда на спутник дистанционного зондирования устанавливают систему управления с элементами ИИ, который сам выбирает регионы для съёмки согласно заданным сведениям. Такие разработки ведутся, в частности, в Китае. Такие спутники могут избирательно снимать какие-то явления, например лесные пожары.
Автоматизация управления спутниками очень востребована. Дело в том, что обычно смена управления одним таким аппаратом состоит из четырёх человек, а на орбите Земли сейчас много сотен спутников. Можно представить, сколько для управления ими нужно труда.
Однако применение нейросетей в этой сфере пока сопряжено с рядом проблем: например, электроника должна быть защищена от повышенных радиационных нагрузок и воздействия тяжёлых заряженных частиц.
Сегодня искусственный интеллект находится в центре общественного внимания. Однако ни одна методика не является панацеей. Да, для решения определённых задач нейросети подходят очень хорошо, но для каких-то нет. Например, нейросети могут прекрасно подходить для некоторых задач в плане обработки изображений, но вот для расчёта траектории движения спутников наиболее эффективно использовать классические методы. Нейросетевые подходы не дают требуемой точности моделирования.
— Помогут ли такие разработки на основе нейросетей в будущем делать крупные научные космические открытия?
— Мы уже вступили в ту эпоху, когда количество информации в мире удваивается каждые два месяца, а только со спутников дистанционного зондирования ежедневно сбрасывается более 100 Тбайт новых данных. Обрабатывать такие объёмы вручную уже нереально, поэтому разные вычислительные средства и методы, в том числе и на основе искусственного интеллекта, очень важны, без них уже невозможно обойтись. И разумеется, применение нейросетей ещё не раз будет приводить к научным открытиям.