YOSO нашёл 11 новых ТНО и ускорил поиск астероидов
Поиск далёких астероидов и транснептуновых объектов давно тормозит не телескопами, а вычислениями. Международная группа астрономов и специалистов по машинному обучению показала YOSO, алгоритм, который собирает серию снимков один раз, а затем отдаёт нейросети уже готовый след движущегося тела. На проверке по данным DEEP система нашла 11 новых транснептуновых объектов и ещё 216 движущихся тел.
Смысл новости шире, чем очередной удачный ИИ-эксперимент. Обсерватория Vera Rubin должна производить около 20 ТБ данных за ночь и до 10 млн астрономических оповещений, и старые методы поиска слабых объектов с таким потоком начинают захлёбываться. Когда архивы растут быстрее, чем штат людей на проверке артефактов, софт становится частью планетарной обороны, а не просто удобным фильтром.
Как YOSO ищет слабые движущиеся объекты
Классический подход любит грубую силу. Алгоритм перебирает тысячи комбинаций скорости и направления, пытаясь сложить тусклый сигнал объекта из пачки кадров в одну точку. YOSO идёт короче: он следит за тем, как меняется яркость каждого пикселя во времени, и применяет Gaussian Motion Filter, который превращает движение в заметный трек на итоговом изображении.
Дальше вступает YOLOv8-L, одна из тяжёлых версий популярной архитектуры для детекции объектов. Её обучили на 16 000 изображений с нормальными астрономическими помехами, от космических лучей до следов спутников, и с синтетическими объектами яркостью от 19 до 27 звёздной величины. Для астрономии это хорошая проверка на адекватность: модель должна не восхищаться каждым бликом, а спокойно отличать мусор от реального кандидата.
Скорость тут почти важнее красоты математики. Авторы заявляют меньше 11 миллисекунд на анализ одного кадра, и это уже разговор не про академическую статью, а про реальный конвейер обработки. Название You Only Stack Once тоже неслучайно. Это явный поклон YOLO, только с куда более полезным результатом.
Интерес к ТНО тоже вполне приземлённый. В начале 2030-х для них ожидается серия взаимных покрытий и затмений, по которым можно измерять размеры, форму и даже намёки на атмосферу у самых удачных целей. Таких событий прогнозируют больше 2000, так что проблема поиска новых слабых тел быстро превращается в проблему расписания телескопов.
Что YOSO нашёл в данных DEEP
Проверку провели на архиве DEEP, собранном камерой DECam с разрешением 570 МП на 4-метровом телескопе Виктора Бланко в Чили. Это важная деталь: речь идёт не о стерильной демонстрации на игрушечном датасете, а о тяжёлых реальных наблюдениях, где фон, шум и артефакты обычно портят настроение любому алгоритму.
- 11 новых транснептуновых объектов
- 216 других движущихся тел во внутренней части Солнечной системы
- обнаружение объекта яркостью 21,49 звёздной величины, который старые методы пропустили из-за сложного фона
- чистота итогового каталога около 99% после автоматической проверки формы источника
Последний пункт особенно неприятен для традиционных пайплайнов. Если система пропускает даже сравнительно яркий объект только потому, что фон кадра неудобный, проблема уже не в чувствительности телескопа. Проблема в том, как именно софт смотрит на снимок.
Авторы добавили жёсткую автоматическую верификацию, в том числе проверку эллиптичности источника. Для человека это звучит скучно, для каталога это спасение от мусора. Астрономы любят новые находки, но ещё больше они любят не тратить недели на проверку фантомов, которые оставили спутник, космический луч или каприз матрицы.
Где YOSO пригодится кроме поиска ТНО
Самый очевидный адресат, Vera Rubin Observatory. Когда обзорное небо начнёт сыпать миллионами сигналов за ночь, любая схема с долгим перебором гипотез станет дорогим удовольствием. YOSO интересен именно тем, что его можно масштабировать и встраивать в поток, а не держать как красивый код для редких перепроверок.
Вторая история, поиск опасных астероидов. NASA всё ещё закрывает старую цель по обнаружению 90% околоземных объектов крупнее 140 метров, и будущая инфракрасная миссия NEO Surveyor нужна именно для этого. Если часть предварительной фильтрации можно делать прямо на борту и отправлять вниз уже сжатый результат вместо вороха сырых кадров, выигрывают и скорость, и связь, и бюджет миссии, что для космоса почти чудо.
Побочный эффект тоже любопытен. Тот же подход годится в задачах, где нужно вылавливать слабый сигнал на шумном фоне, от поиска экзопланетных транзитов до анализа плазмы. ИИ в науке чаще всего продают как универсальную магию, здесь же всё прозаичнее и потому убедительнее: меньше тупого перебора, больше шансов не пропустить то, что уже лежит в данных.
Если YOSO попадёт в рабочий конвейер Rubin, тысяча новых ТНО за один обзорный сезон перестанет выглядеть смелой цифрой.
