Машинное обучение помогло «заточить зрение» телескопа «Джеймс Уэбб»
Астрономы разработали систему машинного обучения, которая значительно повысила разрешающую способность космического телескопа «Джеймс Уэбб» (JWST). Новый метод позволил устранить аппаратные искажения, мешавшие наблюдать тусклые объекты рядом с яркими звёздами, и уже помог получить изображения ранее недоступных космических структур.
Проблема была связана с инструментом NIRISS — инфракрасной камерой и спектрографом телескопа, внутри которого используется интерферометрическая система Aperture Masking Interferometer (AMI). Она предназначена для сверхточных наблюдений, но на практике исследователи столкнулись с неожиданным ограничением: детекторы начинали искажать сигнал при работе с яркими источниками света.
Эффект миграции заряда внутри сенсоров деформировал интерференционную картину и ухудшал качество изображений. Дополнительные ошибки в измерении параметров металлической маски интерферометра ещё сильнее ограничивали разрешение системы. В результате телескоп плохо различал небольшие объекты рядом с яркими звёздами — именно там, где астрономы надеются искать экзопланеты, коричневые карлики и структуры протопланетных дисков.
Для решения проблемы учёные создали новую систему под названием AMIGO — Aperture Masking Interferometry Generative Observations. Вместо попыток «починить» уже искажённое изображение алгоритм использует цифрового двойника телескопа.
Система моделирует работу всей оптики и электроники JWST, начиная с предполагаемой картины наблюдаемого объекта. Затем ИИ сравнивает синтетическое изображение с реальными данными телескопа и постепенно корректирует параметры модели, пока изображения не совпадут.
Верхний ряд: карты вероятности обнаружения, построенные алгоритмом AMIGO по данным телескопа «Джеймс Уэбб». Белой окружностью отмечено положение объекта HD 206893 B, предсказанное интерферометром GRAVITY. Во всех инфракрасных фильтрах система уверенно фиксирует яркий пик сигнала в ожидаемой точке. Нижний ряд: результат после вычитания сигнала HD 206893 B из данных наблюдений. Алгоритм позволил выявить более близкий и тусклый объект HD 206893 c, который также совпал с прогнозируемым положением GRAVITY. Серым цветом показана центральная область, недоступная для наблюдений из-за интерферометрического подавления сигнала. Источник: Desdoigts L, Pope B, Charles M, et al.Ключевую роль в этом процессе играет встроенный нейросетевой модуль, который специально обучен распознавать и компенсировать нелинейное перераспределение зарядов в сенсорах.
В отличие от традиционных методов обработки астрономических изображений, AMIGO использует автоматическое дифференцирование и вычисляет производные с машинной точностью на каждом этапе моделирования. Это позволяет значительно точнее восстанавливать слабые структуры вблизи ярких объектов.
Во время испытаний система смогла обнаружить труднодоступные субзвёздные объекты HD 206893 c и HD 206893 B, а также показать вулканические горячие точки на спутнике Юпитера Ио. Кроме того, алгоритм позволил рассмотреть пылевые структуры, формируемые двойными звёздами, и детально изучить спиральный джет вещества возле далёкой чёрной дыры.
Исследователи утверждают, что технология фактически открывает для телескопа область наблюдений, которая ранее считалась «запретной зоной» для подобных инструментов. Это особенно важно для прямого изучения атмосфер экзопланет и объектов, находящихся очень близко к ярким звёздам.
Авторы также подготовили рекомендации для будущих научных программ JWST, включая специальные схемы наблюдений и ограничения по яркости объектов, которые позволят максимально эффективно использовать возможности AMIGO.
© iXBT
