Компания Claude Science из Anthropic создала первую полную ультрафиолетовую карту всего неба. Эта веха описана астрофизиком Джона Хопкинса Брайсом Менаром, который руководил проектом и подробно описал процесс на веб-сайте Anthropic. Эта работа, о которой сообщает The Decoder, показывает, как скоординированные агенты ИИ могут справиться с утомительной работой с данными, до которой в противном случае исследовательские группы никогда бы не добрались.
Карта заполняет пробелы десятилетней давности, оставленные предыдущими космическими миссиями, сочетая архивные наблюдения с созданными на основе моделей реконструкциями регионов, которые ни один телескоп не охватил полностью. Это один из наиболее конкретных примеров перехода ИИ от чат-ботов и помощников по программированию к повседневным механизмам научных исследований — тема, которая проходит через большую часть сегодняшних [освещений об исследованиях ИИ] (https://aibuzzwire.news).
Почему полной UV-карты никогда не существовало
Ультрафиолетовый свет невидим с земли. Озоновый слой блокирует его, а это означает, что УФ-астрономией можно заниматься только из космоса. Миссии НАСА GALEX, которая обследовала небо в ультрафиолете с 2003 по 2013 год, удалось охватить около двух третей неба, но пропустить яркие области звездообразования, где свет настолько интенсивен, что может повредить детекторы или насытить наблюдения.
В результате примерно треть неба осталась без УФ-покрытия, включая некоторые из наиболее интересных с научной точки зрения районов, заполненных молодыми звездами и активным звездообразованием. На протяжении более десяти лет астрономам, работающим с УФ-данными, приходилось справляться с этими дырами, соединяя частичные изображения или просто избегая недостающих областей в своих анализах.
Как агенты ИИ собирали карту
Клод Сайнс координирует команды агентов искусственного интеллекта, которые загружали данные из нескольких космических миссий, калибровали их и объединяли в единую согласованную карту. Там, где наблюдения отсутствовали, система использовала рисование — метод, при котором модель учится на существующих данных, чтобы восстановить пробелы.
Результаты были проверены на основе реальных измерений: согласно описанию проекта Менаром, в ходе испытаний прогнозы модели отклонялись от фактических значений в среднем примерно на 10 процентов. Этот процент ошибок имеет значение — это разница между продуктом, пригодным для научного использования, и красивой картинкой — и он предполагает, что реконструкции достаточно близки, чтобы поддержать исследовательскую работу, даже если они не заменяют прямое наблюдение.
Ультрафиолетовый свет позволяет увидеть пыль, освещенную звездным светом, включая такие структуры, как облака вокруг молодых звезд и кольца, оставленные звездными взрывами. Теперь, когда все небо покрыто, исследователи могут изучать эти особенности в регионах, которые раньше были слепыми пятнами.
Подход, основанный на координации агентов, столь же примечателен, как и результат. Вместо единой модели, отвечающей на вопросы, система разложила проект на задания — найдите архивы миссий, извлеките данные, проверьте калибровку, согласуйте прогнозы, объедините перекрывающиеся исследования, выявите пробелы — и поручите их специализированным агентам, которые работали через конвейер. Ученые-люди установили требования и подтвердили результаты; агенты выполнили работу по сборке, которая в противном случае заняла бы десятилетие аспиранта.
Инструмент обучения и шаблон
Менар сказал, что карта предназначена для использования в качестве учебного материала, впервые давая студентам и исследователям полное представление об ультрафиолетовом небе. Но более серьезное значение может иметь сам рабочий процесс.
Он подозревает, что многие учёные откладывают подобные проекты — крупные, непривлекательные усилия по интеграции данных, которые теперь могут стать возможными с помощью ИИ. Архивы прошлых космических миссий полны данных, которые так и не были полностью использованы не потому, что они лишены ценности, а потому, что их очистка, калибровка и объединение потребовали бы у исследовательской группы годы кропотливой работы. Агентные системы, такие как Claude Science, меняют эту экономику: координация и обработка данных, которые когда-то занимали всю карьеру, теперь могут происходить в рамках проекта.
В источнике этих пробелов тоже есть тихая ирония. GALEX пропустил самые яркие области звездообразования именно потому, что они входят в число наиболее ценных целей — двигателей нового звездообразования, которые астрономы больше всего хотят изучать в ультрафиолетовом свете. Миссия, направленная на защиту приборов, в конечном итоге оставила самые интересные районы не нанесенными на карту, и только теперь, благодаря реконструкции с помощью искусственного интеллекта, это слепое пятно заполняется.
Предостережения
Закрашенные области — это прогнозы, а не измерения. Около трети этой карты существует потому, что модель сделала вывод о том, как должно выглядеть УФ-небо, основываясь на окружающих данных и закономерностях, полученных из покрытых регионов. Среднее отклонение в 10 процентов — это совокупный показатель; конкретные структуры — слабое кольцо вокруг остатка звезды, край пылевого облака — могут быть менее надежными, чем предполагают общие статистические данные карты.
Это не увольнение. Каждый проект реконструкции в астрономии сталкивается с одним и тем же компромиссом, и антропный проект ясно показывает, какие регионы были выбраны. Но исследователям, ссылающимся на карту, придется отличать наблюдаемые области от реконструированных, особенно в случае слабых или необычных источников.
Проект также свидетельствует о более широком стремлении Anthropic включить свои модели в научные рабочие процессы, от карты неба до сканирования уязвимостей для программного обеспечения с открытым исходным кодом, о котором было объявлено на этой неделе. Для астрономического сообщества непосредственный вывод проще: набор данных, которого не существовало, теперь существует, а инструменты, с помощью которых он был создан, могут быть направлены на другие миссии в будущем.
---
Будьте впереди ИИПолучайте последние новости, анализ и открытия в области искусственного интеллекта — все в одном месте.
Подробнее новости AI →
