
Учёные создали алгоритмы, которые «просеивают» шумы в данных с космических телескопов. Метод, основанный на машинном обучении, позволяет выявлять следы биогенных газов в атмосферах экзопланет даже при крайне слабых сигналах — примерно так же, как современные аудиофильтры выделяют речь в записи с фоновым гулом.
Суть подхода — анализ спектров атмосфер, полученных при прохождении света звезды через атмосферную оболочку планеты. Каждый газ оставляет уникальный след в спектре, но при низком соотношении сигнал/шум традиционная обработка требует многократных наблюдений. Нейросети, обученные на миллионе данных о спектрах планет системы TRAPPIST-1 e, решают эту задачу за счёт распознавания паттернов: идентифицируют комбинации метана, озона и водяного пара, характерные для потенциально обитаемых экзопланет, даже при однократном транзите планеты перед звездой.

Ключевое преимущество технологии — оптимизация работы телескопов типа JWST. Если ручной анализ каждого кандидата занимает десятки часов, то алгоритмы способны за минуты отобрать наиболее перспективные цели для последующих наблюдений. В тестах на спектрах, имитирующих современную Землю, система корректно определяла биомаркеры в 83% случаев, что вдвое сокращает риск пропустить обитаемую планету из-за человеческого фактора или аппаратных ограничений.
Метод особенно эффективен для систем красных карликов, где короткие орбитальные периоды (как у TRAPPIST-1 e) позволяют чаще фиксировать транзиты. Интеграция алгоритмов в программы JWST увеличит число проверяемых экзопланет без дополнительных затрат наблюдательного времени. Уже в ближайшие годы это может привести к обнаружению «двойника» Земли — особенно если следующее поколение телескопов, таких как ELT, получит предварительно отфильтрованный список целей от ИИ. Как показало исследование, именно сочетание автоматического отбора и последующей ручной верификации даст астрономам преимущество в многовековом поиске жизни за пределами Солнечной системы.
-
06.04.2025 20:25:00 | iXBT.com
06.04.2025 19:56:00 | iXBT.com
06.04.2025 19:39:00 | iXBT.com
06.04.2025 19:17:00 | iXBT.com
06.04.2025 18:41:00 | iXBT.com
06.04.2025 16:37:00 | iXBT.com
06.04.2025 15:46:44 | TechCult.ru
06.04.2025 15:41:00 | iXBT.com
06.04.2025 14:50:00 | iXBT.com
06.04.2025 14:31:00 | iXBT.com
06.04.2025 13:48:00 | iXBT.com
06.04.2025 13:30:00 | iXBT.com
06.04.2025 13:07:12 | Ведомости
06.04.2025 13:06:00 | iXBT.com
06.04.2025 12:53:00 | iXBT.com
06.04.2025 12:45:00 | iXBT.com
06.04.2025 12:18:00 | iXBT.com
06.04.2025 09:44:00 | iXBT.com
06.04.2025 01:43:00 | iXBT.com
06.04.2025 01:30:00 | iXBT.com
06.04.2025 01:15:00 | iXBT.com
06.04.2025 00:32:00 | iXBT.com
06.04.2025 00:21:00 | iXBT.com
06.04.2025 00:04:00 | iXBT.com
05.04.2025 23:49:00 | iXBT.com
05.04.2025 22:58:00 | iXBT.com
05.04.2025 22:54:00 | iXBT.com
05.04.2025 22:52:00 | iXBT.com
05.04.2025 22:43:00 | iXBT.com
05.04.2025 22:25:00 | iXBT.com
05.04.2025 22:25:00 | iXBT.com
-
08.05.2025 18:51:33 | ferra.ru
08.05.2025 18:34:10 | ferra.ru
08.05.2025 18:33:31 | ferra.ru
08.05.2025 18:15:06 | ferra.ru
08.05.2025 18:06:33 | ferra.ru
08.05.2025 18:00:43 | ferra.ru
08.05.2025 16:36:11 | ferra.ru
08.05.2025 15:00:20 | ferra.ru
08.05.2025 14:19:48 | ferra.ru
08.05.2025 13:44:10 | Хабр
08.05.2025 13:30:03 | ferra.ru
08.05.2025 12:19:04 | ferra.ru
08.05.2025 12:15:55 | Хабр
08.05.2025 11:59:02 | ferra.ru
Техническая поддержка проекта ВсеТут