Астрономы представили новую систему машинного обучения, которая позволила существенно повысить разрешающую способность космического телескопа «Джеймс Уэбб» (JWST). Этот метод успешно устраняет аппаратные искажения, мешавшие детальному изучению тусклых объектов, расположенных вблизи ярких звёзд, и уже открыл доступ к ранее невидимым космическим структурам.
Основная сложность заключалась в работе инструмента NIRISS — комбинации инфракрасной камеры и спектрографа, оснащенной интерферометрической системой Aperture Masking Interferometer (AMI). Несмотря на то что AMI предназначена для сверхточных наблюдений, на практике специалисты столкнулись с непредвиденным ограничением: при воздействии ярких источников света детекторы начинали искажать входящий сигнал.
Эффект миграции заряда внутри сенсоров приводил к деформации интерференционной картины и снижению общего качества изображений. Кроме того, погрешности в калибровке параметров металлической маски интерферометра дополнительно ограничивали разрешение. В результате телескоп с трудом различал объекты в непосредственной близости от ярких светил, где ученые рассчитывали обнаружить экзопланеты, коричневые карлики и протопланетные диски.
Для исправления ситуации была разработана система AMIGO (Aperture Masking Interferometry Generative Observations). Вместо прямой коррекции искаженных снимков алгоритм выстраивает «цифрового двойника» телескопа.
Программа моделирует работу всей оптической и электронной системы JWST, исходя из предполагаемых параметров наблюдаемого объекта. Затем искусственный интеллект сравнивает синтезированное изображение с реальными данными, полученными телескопом, и проводит итеративную корректировку модели до тех пор, пока данные не придут к полному соответствию.
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.
Ключевым компонентом решения стал встроенный нейросетевой модуль, обученный распознавать и компенсировать нелинейное перераспределение зарядов внутри сенсоров. В отличие от стандартных методов астрономической обработки, AMIGO применяет автоматическое дифференцирование, вычисляя производные с высочайшей точностью на каждом этапе моделирования, что позволяет лучше восстанавливать слабые детали изображения.
В ходе испытаний технология позволила обнаружить труднодоступные субзвёздные объекты HD 206893 c и HD 206893 B, а также зафиксировать вулканические горячие точки на спутнике Юпитера Ио. Кроме того, алгоритм помог рассмотреть пылевые структуры вокруг двойных звезд и изучить спиральный джет вещества вблизи удаленной черной дыры.
Разработчики отмечают, что использование системы машинного обучения фактически ликвидирует «запретную зону» для наблюдений, что критически важно для прямого изучения атмосфер экзопланет. Команда проекта также подготовила рекомендации для будущих миссий JWST, которые помогут максимально эффективно использовать возможности AMIGO при планировании новых наблюдений.
