Использование ИИ в астрофизике
В конце июля Генеральная Ассамблея ООН приняла резолюцию о роли искусственного интеллекта в создании новых возможностей для устойчивого развития в Центральной Азии по инициативе Лидера нации, Президента Республики Таджикистан уважаемого Эмомали Рахмона. О роли и некоторых сферах применения искусственного интеллекта в астрофизике в беседе с корреспондентом «Народной газеты» рассказал ведущий научный сотрудник Физико-технического института им. С. У. Умарова Национальной академии наук Таджикистана, кандидат физико-математических наук Ризои Бахромзод.
Начиная беседу, он отметил, что иискусственный интеллект (ИИ) в настоящее время рассматривается как технология общего назначения, применимая в различных областях. В научной деятельности ИИ используется для автоматизации повторяющихся операций, поддержки методов активного обучения и оптимизации экспериментальных процедур, а также для поиска и структурирования знаний в больших массивах публикаций и данных. Эти процессы развиваются в рамках международных стратегий и регуляторных инициатив, направленных на ответственное и прозрачное применение соответствующих методов.
«Мы очень гордимся, что 25 июля 2025 года Генеральная Ассамблея ООН приняла резолюцию о роли искусственного интеллекта в создании новых возможностей для устойчивого развития в Центральной Азии, инициированную Лидером нации, Президентом Республики Таджикистан уважаемым Эмомали Рахмоном. Документ, в частности, предусматривает создание в Душанбе Регионального центра искусственного интеллекта для координации программ и обмена компетенциями в регионе. Резолюция ориентирована на увязку технологических решений с целями устойчивого развития и обеспечение условий безопасного внедрения ИИ», — подчеркнул учёный.
Цикличность научных исследований
Продолжая беседу, специалист рассказал о возможностях искусственного интеллекта и областях его применения.
По его словам, искусственный интеллект — не отдельная «суперотрасль», а технология, которая постепенно входит во все сферы жизни. В науке она опирается, прежде всего, на базу данных и вычислений: облачные сервисы, быстрые чипы, надёжный интернет и дата-центры. Это то «основание», благодаря которому можно быстро обрабатывать большие массивы наблюдений и запускать тяжёлые расчёты. Без такой опоры даже самые умные алгоритмы работают медленно или нестабильно.
«Не менее важны люди и правила. Учёным всё чаще нужны «смешанные» навыки: понимание предметной области плюс умение работать с ИИ и данными. Параллельно развиваются понятные правила — кто отвечает за результат, как проверяется качество модели, как защищаются чувствительные данные. Рядом с университетами формируется прикладная экосистема: из лабораторий выходят практические решения — от автоматических установок до сервисов, которые предсказывают поломки приборов, — а акселераторы и «песочницы данных» помогают быстро их испытать. В итоге складывается общая «операционная среда» современной науки: она ускоряет работу и готовит почву для того, чтобы перестроить весь исследовательский цикл — от планирования и сбора данных до анализа и публикации результатов», — говорит ученый.
По словам собеседника, научное исследование — это не разовое «озарение», а повторяющийся цикл: возникла идея, сформулировали гипотезу, спланировали и провели эксперимент или наблюдение, собрали и очистили данные, проанализировали результаты, оформили выводы и поделились ими с сообществом.
Искусственный интеллект уже помогает на каждом из этих шагов. На старте он ускоряет работу с литературой: модели быстро просматривают сотни статей, показывают, что уже сделано, где есть пробелы, и какие связи между фактами стоит проверить. Есть и инструменты, которые по данным «выводят» простые формулы и правила — они помогают превратить набор наблюдений в понятную гипотезу.
Новые алгоритмы и доверительные технологии
«На этапе планирования экспериментов ИИ подсказывает, какое измерение сделать следующим, чтобы сэкономить время и ресурсы, а также как лучше распределить усилия, если исходные данные неоднозначны», — поведал он.
Ученый подчеркнул, что во время выполнения работы растёт доля автоматизации: автономные лаборатории и наблюдательные системы соединяют план, действие и анализ в один цикл — робот выполняет процедуру, система оценивает результат и при необходимости корректирует следующий шаг. Датчики учатся фильтровать шум прямо «на месте», а сервисы предсказывают возможные поломки оборудования, уменьшая простои.
“После получения данных ИИ помогает с рутинной, но критически важной частью — очисткой и проверкой. Он отделяет сигнал от помех, отмечает подозрительные записи для ручной проверки и приводит наборы данных к единым описаниям, чтобы их было легко найти, понять и повторно использовать вместе с кодом. На этапе анализа исследователь собирает «конвейер» из привычной статистики и более сложных моделей — от простых регрессий до нейросетей. Всё чаще к этому добавляются проверки на понятность и надёжность: где модель могла сместиться, к каким признакам она особо чувствительна, как поведёт себя на новых данных. Завершающая стадия – оформление и распространение результатов. Здесь ИИ помогает собрать черновики методических разделов, подписать графики, подготовить аннотацию и сопроводительные письма. Даже рецензирование становится быстрее и точнее: автоматические чек-листы находят статистические ошибки и дубли, а системы обнаруживают заимствования. При этом остаются важные вызовы. Модели могут уверенно ошибаться, поэтому нужна культура проверки и независимого контроля. Смещённые обучающие выборки дают искажённые выводы — это касается и «чистой» физики, и биомедицины. Наконец, вопрос ответственности остаётся за людьми: ИИ — инструмент, а не автор, и это фиксируется в правилах журналов и научных организаций», — поведал астрофизик.
Робото-телескопы и поиск астероидов
В мировой астрономии ИИ уже широко используется, и в продолжение беседы Ризои Бахромзод привел конкретные примеры того, как он помогает работать с гигантскими потоками данных.
«Современный автономный телескоп — это не просто камера на монтировке, а система, где расписание наблюдений формируется алгоритмами. Они учитывают погоду, видимость объектов, приоритеты проектов и внезапные события — вспышки, сигналы от гравитационно-волновых детекторов, гамма-всплески. Вместо жёстких «скриптов на ночь» всё чаще применяются адаптивные методы: по мере поступления новых данных система корректирует порядок наведения, чтобы получить максимум научной информации за доступное время. Для такой оптимизации тестируются и методы обучения с подкреплением: «агент» учится на истории прошлых ночей и симуляциях предлагать лучший план, уменьшая пустые перенацеливания и «выжимая» из каждого окна наблюдений больше пользы», — поведал специалист.
По словам ученого, обзоры неба вроде Zwicky Transient Facility каждую ночь генерируют сотни тысяч уведомлений о возможных изменениях. Среди них есть настоящие события: вспышки, транзиты, эффекты линзирования, а есть артефакты: следы спутников, космические лучи, дефекты обработки.
«Чтобы быстро отфильтровать «мусор» и не пропустить интересное, применяются обученные модели, которые по небольшим фрагментам изображений решают, «реальный» это кандидат или нет. С запуском обсерватории имени Веры Рубин (LSST) поток вырастет до десятков миллионов уведомлений за ночь, поэтому вокруг него создаётся экосистема «брокеров» (например, Fink, ALeRCE). Эти сервисы в реальном времени дополняют алерты дополнительной информацией, классифицируют их и пересылают по тематическим каналам командам, которые занимаются сверхновыми, килоновыми, коричневыми карликами и т. д. Это позволяет в течение минут выбирать самые перспективные цели для немедленных повторных наблюдений», — утверждает он.
Ученый говорит, что раньше для надёжного обнаружения движущегося объекта требовалось несколько снимков в одну ночь: так алгоритм связывал точки в «дорожку» и отсекал ложные срабатывания.
По его словам, новые методы научились «сшивать» разреженные наблюдения из разных ночей, восстанавливая траекторию слабых и быстрых тел. Так, алгоритм HelioLinc3D смог выявить астероид 2022 SF289, сопоставив снимки, сделанные не одновременно.
«Такой подход особенно важен для будущих сверхпроизводительных обзоров, где плотность данных и разнообразие условий меняются от ночи к ночи. Параллельно готовится специализированный космический телескоп NEO Surveyor: его задача — систематически искать астероиды и кометы, потенциально опасные для Земли. Здесь ИИ помогает на нескольких этапах: планировать сканирование, распознавать слабые движущиеся источники на шумном фоне и расставлять приоритеты среди кандидатов для подтверждения наземными обсерваториями», — заявил он.
От черных дыр до детального картирования Вселенной
Ученый утверждает, что после фиксации события детекторами LIGO–Virgo через несколько минут публикуется оповещение с ориентировочной областью на небе и параметрами сигнала.
Ученый считает, что время дорого: если это слияние нейтронных звёзд, оптическое «послесвечение» быстро тускнеет.
По его мнению, модели машинного обучения могут помочь по ранним данным оценить тип источника (две чёрные дыры, две нейтронные звезды или смешанная пара), а также прикинуть вероятность каждого варианта. Такие оценки позволяют телескопам быстрее навести поле зрения в нужную область и повысить шанс увидеть электромагнитный отклик — от оптики до радио и высоких энергий.
Ризои Бахромзод утверждает, что крупные радиомассивы — от китайского FAST до будущего SKA — работают в условиях сильного «загрязнения» эфира: сигналы от спутников, авиации и наземной связи маскируют небесные источники.
По его мнению, классические фильтры не всегда справляются. А вот ИИ-подходы учат модели распознавать сложные шаблоны помех и отделять их от астрофизического сигнала, используются как сети, обученные на размеченных примерах, так и самообучающиеся методы (например, вариационные автоэнкодеры), которые выделяют характерные структуры без детальной разметки. Это повышает чувствительность к тонким эффектам — например, к слабым линиям нейтрального водорода (HI) или быстрым радиовсплескам.
Ученый утверждает, что спутниковая миссия Euclid картирует крупномасштабную структуру Вселенной, и одним из ключевых методов является слабое гравитационное линзирование: по тонким искажениям форм далёких галактик восстанавливают распределение тёмной материи.
По его мнению, для этого требуются чрезвычайно точные измерения: нужно отделить истинную форму галактики от искажений оптики и атмосферных эффектов.
«Глубинные модели помогают лучше восстанавливать «исходную» морфологию, корректировать систематики и тем самым улучшать ограничения на параметры, связанные с тёмной материей и тёмной энергией. В практическом плане это означает более надёжные карты материи и более строгие космологические выводы», — уверен специалист.
Вместо резюме
Завершая беседу, ученый подчеркнул, что все перечисленные им направления объединяет одна идея: ИИ берёт на себя то, что человеку трудно делать быстро и стабильно в условиях «потока» — фильтрацию, ранжирование, распознавание сложных паттернов и оперативное планирование.
Собеседник утверждает, что при этом роль исследователя не уменьшается: он формулирует вопросы, проверяет качество моделей, интерпретирует результаты и определяет, куда направить телескоп или как перестроить эксперимент.
«Именно такая связка — человек + алгоритм — и даёт ощутимый прирост эффективности в современной астрономии, и науки в целом», — резюмируя беседу, отметил Ризои Бахромзод.
Акмал Маннонов
