Школьник обнаружил 1,5 млн космических объектов, которые пропустило NASA

Архив телескопа NEOWISE, который накапливал наблюдения неба в течение десяти лет, скрывал огромный массив данных о переменных космических объектах. Разобраться с ним смог школьник из США, который создал алгоритм машинного обучения и обнаружил 1,5 миллиона потенциально важных источников — от переменных звезд до квазаров.

Об этом пишет Indian Defence Review.

Как школьник взялся за задачу, с которой не справлялись обычные методы

В течение десяти лет телескоп NEOWISE сканировал небо в инфракрасном диапазоне для поиска астероидов вблизи Земли. Вместе с этим он собирал информацию и обо всем остальном, что попадало в поле зрения: далекие звезды, галактики, квазары и другие объекты.

После завершения миссии в 2024 году остался архив почти из 200 миллиардов отдельных обнаружений. Астрономы понимали, что в этих данных могут быть скрыты сигналы от пульсирующих звезд, затемняемых двойных систем и далеких активных объектов, однако практически обработать такой масштаб вручную было невозможно, а стандартные компьютерные подходы оказались слишком медленными.

Именно на этом фоне к работе подключился Маттео Паз — подросток из средней школы Пасадены. Во время летней стажировки в лаборатории Калифорнийского технологического института он предложил не ограничиваться небольшим участком неба, а построить модель, которая смогла бы пройтись по всему массиву данных.

Созданная им модель получила название VARnet. Ее архитектура соединила несколько этапов обработки временных рядов, чтобы отфильтровывать ложные измерения, извлекать периодические сигналы из неравномерно собранных кривых блеска и классифицировать источники по типу переменности.

Особую сложность создавал сам характер наблюдений NEOWISE. Телескоп не поворачивался к каждой звезде по строгому графику, а сканировал небо большими кругами, из-за чего данные собирались неравномерно — блоками с интервалами в месяцы. Именно поэтому для такого архива нужен был подход, который умеет работать с непоследовательными временными измерениями.

После анализа система распределяла объекты на четыре категории:

• неизменные источники;
• временные события;
• собственные пульсаторы;
• затемняемые двойные системы.

В итоге модель смогла работать с чрезвычайно высокой скоростью — примерно 53 микросекунды на одну звезду.

Что именно удалось найти в архиве

Когда VARnet запустили на полном массиве данных, алгоритм обнаружил 1,5 миллиона кандидатов в переменные объекты. Каждый из них еще требует дополнительной проверки и наблюдений, но сам масштаб результата показал, сколько важной информации годами оставалось фактически скрытым в открытом архиве.

Часть этих объектов, вероятно, окажется уже известными источниками, которые просто впервые описали в инфракрасном диапазоне. Часть может быть ложноположительными сработками. Но среди них также могут быть действительно новые квазары, переменные звезды и другие временные события, которые ранее не каталогизировали.

Новые методы анализа данных помогают ученым быстрее исследовать сложные космические объекты, в частности атмосферы экзопланет. Это позволяет эффективнее обрабатывать большие массивы наблюдений и точнее отделять полезные сигналы от шума.

Исследования Марса также приносят новые открытия: марсоход Perseverance впервые зафиксировал корунд в породах планеты. Такие находки помогают лучше понять геологическую историю Марса и условия его формирования.