Обучение Gemini определять взрывающиеся звезды всего на нескольких примерах

Тот же самый транзиент показан в трех опросах, причем строки соответствуют Pan-STARRS (сверху), MeerLICHT (в середине) и ATLAS (снизу). Каждая строка представляет, слева направо, новые, эталонные и различия изображения. Красные круги отмечают ожидаемую позицию кандидата на транзиент в центре каждого штампа. Все штампы имеют размер 100×100 пикселей, но их угловое покрытие неба отличается из-за особенностей пикселей в опросах: Pan-STARRS 0.25″/пиксель, MeerLICHT 0.56″/пиксель и ATLAS 1.86″/пиксель.

Современные телескопы — великолепные сплетники, каждый вечер генерирующие миллионы уведомлений о потенциальных изменениях в космосе. Проблема? Большинство из этих слухов — ложь: спутниковые следы, попадания космических лучей, инструментальные сбои, выдающиеся себя за настоящие открытия. На протяжении многих лет астрономы использовали специализированные нейронные сети для отделения зерна от плевел, однако эти системы действуют как непонятные «черные ящики», представляя вердикты без объяснений.

Теперь исследователи из Оксфордского университета и Google Cloud продемонстрировали нечто неожиданное: универсальный ИИ может научиться определять настоящие космические события — взрывающиеся звезды, черные дыры, поглощающие мимо проходящие объекты, астероиды, мчащиеся сквозь пространство — всего лишь на основе 15 примеров изображений и инструкций на простом английском. Система достигла примерно 93% точности в трех различных исследованиях неба и, что особенно важно, объясняет свои выводы на языке, понятном любому астроному.

Команда ввела в языковую модель Gemini от Google всего 15 аннотированных наборов изображений из каждого из трех основных опросов: Pan-STARRS, MeerLICHT и ATLAS. Каждый набор включал новое наблюдение, эталонное изображение той же области неба и изображение различий, подчеркивающее изменения. Вместо того чтобы запрашивать сотни тысяч образцов для обучения, как это делают традиционные подходы машинного обучения, ИИ освоил задачу через то, что исследователи называют «обучением с несколькими примерами».

«Удивительно, что небольшое количество примеров и четкие текстовые инструкции могут обеспечить такую точность. Это позволяет широкому кругу ученых разрабатывать собственные классификаторы без глубоких знаний в обучении нейронных сетей — только с желанием создать один», — отметил доктор Фиоренцо Стоппа, соавтор из Оксфордского департамента физики.

Эти последствия выходят за пределы астрономии. Если универсальный ИИ может овладеть классификацией транзиентов с минимальным руководством, какие другие научные области могут извлечь выгоду из этого подхода?

Исследование, опубликованное сегодня в Nature Astronomy, появляется в особенно уместный момент. Обсерватория Веры К. Рубина вскоре начнет свои операции, генерируя около 20 терабайт данных каждые 24 часа. Традиционные методы проверки — ручной обзор тысяч кандидатов астрономами — станут физически невозможными на этом масштабе.

ИИ, который знает, когда он запутан

Возможно, самым интригующим аспектом работы является то, что происходит, когда ИИ сомневается в себе. Исследователи обнаружили, что Gemini может пересматривать свои собственные классификации и присваивать «оценки согласованности» своим объяснениям. Низкие оценки согласованности оказались гораздо более вероятно неправильными — система фактически помечала свои собственные ошибки.

Чтобы проверить эту самооценку, команда собрала панель из 12 профессиональных астрономов, которые пересмотрели 200 случайно выбранных классификаций через платформу Zooniverse. Астрономы оценивали объяснения ИИ по шкале от 0 (полная ошибка) до 5 (совершенно согласованно). Средний балл превысил 4, причем большинство описаний находились в верхнем диапазоне оценок.

Исследователи затем использовали эту возможность самооценки для улучшения производительности. Выявив случаи с низкой согласованностью, добавив небольшое количество этих сложных примеров в обучающий набор и повторно запустив анализ, они увеличили точность на наборе данных MeerLICHT с 93.4% до 96.7%.

«Мы входим в эру, когда научные открытия ускоряются не черными ящиками алгоритмов, а прозрачными ИИ-партнерами. Эта работа показывает путь к системам, которые учатся вместе с нами, объясняют свои выводы и дают возможность исследователям в любой области сосредоточиться на самом важном: задавании следующего великого вопроса», — отметил Туран Булмус, соавтор из Google Cloud, который, примечательно, не имеет формального образования в астрономии — деталь, подчеркивающая потенциал демократизации подхода.

Тем не менее, практические проблемы остаются. Традиционные нейронные сети могут обрабатывать отдельные изображения за миллисекунды, в то время как большие языковые модели обычно требуют несколько секунд на запрос. Запуск LLM через коммерческий API для ожидаемых 10 миллионов ночных уведомлений от обсерватории Рубина будет неоправданно дорогим — потенциально тысяч долларов за ночь. Исследователи предлагают гибридные подходы, при которых быстрые нейронные сети выполняют первоначальную фильтрацию, а LLM предоставляет подробную интерпретацию только для интересных или неоднозначных случаев.

Соавтор профессор Стивен Смартт, который потратил более десяти лет на разработку моделей машинного обучения для распознавания астрономических изображений, выразил удивление результатами. Команда представляет себе эти системы как автономные «агентные помощники», которые могут интегрировать несколько источников данных, проверять собственные уровни уверенности, запрашивать последующие наблюдения у роботизированных телескопов и эскалировать только самые многообещающие открытия к ученым.

Адаптивность метода может оказаться столь же важной, как и его точность. Поскольку он требует только небольшого набора примеров и инструкций на понятном языке, его можно быстро перенастроить для новых инструментов, опросов и исследовательских целей — не только в астрономии, но и в других научных дисциплинах, где различение сигнала и шума остается основной задачей.

Nature Astronomy: 10.1038/s41550-025-02670-z

Прокомментировать в Телеграм: https://t.me/n8nhow

Подписаться на канал обучения n8n: https://t.me/n8ncoaching