Исследователи из Северо-Западного университета, Чикагского университета и Национальной лаборатории Ферми впервые доверили искусственному интеллекту планирование наблюдений на крупном телескопе. Система не только выбирала объекты для съёмки, но и по ходу дела меняла расписание: смотрела на облачность, яркость Луны и состояние атмосферы. Проверяли её на 4-метровом телескопе Víctor M. Blanco в Чили, где алгоритм распределял очередность наблюдений для 570-мегапиксельной камеры DECam.
Для астрономии это не выглядит как мелкая автоматизация. На больших обсерваториях время телескопа слишком дорогое, а небо меняется быстрее, чем человек успевает вручную перестроить график. Ошибка в порядке наблюдений — и ночь уже уходит впустую. На фоне запуска обсерватории имени Веры Рубин, которая будет выдавать петабайты данных каждый день, такие системы быстро перестают быть чем-то экспериментальным.
Команда не стала вручную прописывать в программу все правила, которые астрономы копили годами. Вместо этого модель обучали на архиве наблюдений проекта Dark Energy Survey. Ей показывали цепочку прошлых действий телескопа, а потом просили угадать следующий объект. После этого ответы сверяли с выбором специалистов и дообучали на ошибках. В итоге система сама начала учитывать Луну, погоду и состояние атмосферы, хотя для этого никто не расписывал каждую зависимость отдельно.
По словам разработчиков, модель уже прошла две полноценные наблюдательные кампании — весной и летом — и показала результат, сопоставимый с работой человека. Следующий шаг звучит даже любопытнее самого теста: не просто повторять человеческие решения, а находить более удачные схемы планирования, которые астроном мог и не заметить. Если это получится, ИИ сможет распределять время не на одном телескопе, а сразу между несколькими обсерваториями.
Смысл проекта в том, что систему не учили по учебнику, а загрузили в неё реальные истории наблюдений. Для телескопа это как раз подходит: у него жёсткие ограничения по времени, погоде и качеству неба, так что решение приходится принимать не по идеальной схеме, а по тому, что доступно прямо сейчас.
Сначала алгоритм видел последовательность уже выполненных наблюдений и пытался предсказать следующий шаг. Потом исследователи сравнивали его выбор с действиями опытных астрономов и использовали расхождения как материал для дообучения. Так модель постепенно подхватила ту логику, которая у человека обычно сидит в привычке, а не в виде отдельной инструкции.
Для больших обзоров неба это особенно полезно. Чем больше данных и чем резче меняется обстановка, тем заметнее цена задержки: пока оператор перестраивает расписание, небо уже успевает измениться. В такой ситуации ИИ нужен не как замена астроному, а как диспетчер, который без пауз пересчитывает приоритеты.
Телескоп Blanco стал удобной площадкой для проверки идеи, но основная нагрузка ещё впереди. Обсерватория имени Веры Рубин должна каждый день собирать огромные массивы данных, и ручное планирование там довольно быстро упрётся в пределы человеческой координации.
Здесь такая система нужна не только ради экономии времени. Она помогает быстрее переключать инструменты между задачами, подстраивать порядок наблюдений под меняющееся небо и плотнее загружать ночь, когда каждый час на счету. Для проектов уровня Rubin Observatory даже небольшой выигрыш в расписании может заметно поднять научный выход за сезон.
У этого подхода есть и более широкий смысл. Если модель уверенно заработает на одном крупном телескопе, следующий шаг напрашивается сам: связать несколько обсерваторий в общую схему, где программа наблюдений меняется не по жёсткому сценарию, а по реальной обстановке на каждом участке неба. Для астрономии это уже не проба пера, а вполне рабочий способ управлять наблюдательной инфраструктурой.