Роль красного смещения в астрофизике и современные вызовы
Красное смещение выступает в качестве фундаментального параметра в астрофизической науке, при помощи которого вычисляются дистанции до космических тел и изучается процесс расширения Вселенной. Классические подходы к расчету красного смещения опираются на спектроскопические наблюдения, что влечет за собой существенные трудовые и временные затраты. За последние годы значительное распространение получили методики на базе искусственного интеллекта, тем не менее значительная их часть ограничена рамками однородных выборок и не принимает во внимание вариативность морфологических признаков и условий проведения съемок.
Архитектура DeepRed и принципы её работы
В недавнем исследовании специалисты презентовали архитектуру DeepRed, представляющую собой комплексный конвейер на базе передовых разработок компьютерного зрения, таких как ResNet, EfficientNet, Swin Transformer и MLP-Mixer. Этот инструмент разработан для вычисления красного смещения по визуальным данным галактик, гравитационных линз, а также линзированных сверхновых. Концепция DeepRed базируется на объединении результатов работы нескольких нейросетевых субмоделей посредством линейного ансамблирования, что дает возможность существенно улучшить точность и стабильность итоговых прогнозов.
Изображение сгенерировано: Nano Banana
Оценка эффективности и тестирование на датасетах
В процессе проверки эффективности DeepRed исследователи задействовали как смоделированные, так и подлинные астрономические базы данных. На всех исследованных наборах информации рассматриваемая система демонстрирует лучшие результаты по сравнению с актуальными аналогами, охватывающими как специализированные нейросетевые алгоритмы (A1, A3, NetZ, PhotoZ), так и традиционные подходы (HOG+SVR).
Практические результаты и перспективы применения
При анализе реальных данных, полученных в ходе обзора KiDS, платформа DeepRed также подтверждает свою эффективность, обеспечивая прирост точности локализации в пределах 97–99%. Ключевым достоинством комплекса выступает внедрение технологий объяснимого искусственного интеллекта (SHAP), предоставляющего возможность с высокой точностью определять, на какие именно участки снимка опирается нейросеть при формировании прогноза.
Разработчики подчеркивают, что DeepRed демонстрирует отличную способность к генерализации на материалах с различными морфологическими характеристиками и условиями съемки, что имеет первостепенное значение для будущих крупномасштабных обзоров звездного неба, включая проект LSST. Предложенная архитектура формирует перспективные условия для автоматизированной обработки массивных астрономических датасетов и обнаружения редких космических феноменов, включая линзированные сверхновые звезды.
