ИИ выйдет в свет: как машинное обучение помогает изучать физику Солнца

Нечеловеческие возможности

Сегодня машинное обучение занимает особое место в области физики Солнца, представляя собой самостоятельное научное направление. Его применение позволяет частично заменить или воспроизвести труд астрономов, на который раньше уходило много сил и времени. Однако учёные не останавливаются на достигнутом и ставят перед современными технологиями задачи, которые ранее были трудно формализуемыми, как рассказывает Егор Илларионов.

«Например, мы можем наблюдать изображение Солнца в одной спектральной линии и попытаться реконструировать его, если бы мы видели его в другой. Раньше для этого потребовалась бы физическая модель, которая ещё не была разработана. Однако для машинного обучения это не является проблемой, поскольку у нас есть исходное изображение и пример того, что мы хотим получить. Нейронные сети способны восстановить связь между целевым и исходным изображением», — поясняет учёный.

По словам специалиста, нейронные сети способны на многое. С их помощью можно попытаться реконструировать то, что находится на «тёмной» стороне Солнца. Кроме того, машинное обучение хорошо зарекомендовало себя в прогнозировании долгосрочных трендов в анализе солнечных циклов.

Самым современным подходом в рамках машинного обучения в физике Солнца на сегодняшний день являются нейронные сети. Однако пока рано делать заявления о том, что они лучше всего справляются с прогнозированием вспышек на Солнце. Учёные не спешат переходить «в один шаг» на современные технологии, поскольку это таит в себе множество опасностей, таких как пропущенные явления или ложноположительные сигналы.

«Поэтому говорить, что мы сейчас возьмём и перейдём на нейронные сети и их прогнозы, пока рано. Сегодня идёт изучение возможностей этой технологии, где она даёт точные результаты и в каких ситуациях», — говорит Егор Илларионов.

Фото поверхности Солнца, NASA

Нейросети помогут быть точнее

Сегодня современные технологии, основанные на нейронных сетях, применяются в крупных мировых центрах, которые формируют прогноз космической погоды. Однако в них искусственный интеллект — это скорее эксперимент, научное исследование, чем полноценная инструментальная база. Но в будущем нейронные сети должны помочь учёным увеличить точность получаемых прогнозов.

«Для нас очень важно аккумулировать разнородные наблюдения и из них попытаться построить прогноз. Традиционные схемы обычно оперируют небольшим количеством показателей, потому что человеку трудно выявлять связь между большим количеством параметров. А нейросети для этого замечательно приспособлены. Они в большом наборе разнородных данных способны улавливать взаимосвязи. Поэтому мы ожидаем, что прогноз станет точнее», — поясняет Егор Илларионов.

По словам учёного, для задач машинного обучения за последнее время появилось до 50-100 новых датасетов — обработанных и структурированных наборов данных. При этом сам процесс подготовки их — это трудоёмкий и долгий процесс, для которого требуется масса времени и экспертов.

Искусственный интеллект уже можно встретить повсеместно. Фото: 123rf

Например, от специалистов потребуется отметить контуры всех активных областей на изображении солнечного диска. При этом спутник делает один такой снимок раз в 12 секунд. Ни у одной команды не хватит сил и времени разметить все области на всех снимках, поэтому подготовка таких данных является отдельной частью машинного обучения, а собранная и унифицированная определённым образом информация представляет собой большую ценность.

«К счастью, физика Солнца не коммерческая область, поэтому люди постепенно приходят к тому, что для науки полезно и выгодно выкладывать данные в открытый доступ. Это является и дополнительной проверкой, и существенно ускоряет работу других исследователей. За последнее время появился целый спектр новых датасетов, которые используются не только для машинного обучения, но и активно вовлекаются в более традиционные работы. Например, по статистическому анализу или проверке теоретических моделей», — отмечает Егор Илларионов.

Опыт отечественный и международный

При разработке алгоритма российские учёные чаще всего обращаются к российским технологиям. Например, к суперкомпьютеру «Ломоносов II», установленному в МГУ. Этот вычислительный комплекс обладает набором графических процессоров, на которых обучаются современные модели ИИ.

Также при создании нейронных сетей используются так называемые фреймворки — набор готовых инструментов и стандартных реализаций для обеспечения быстрой разработки. В основном они разрабатываются международным сообществом, поэтому учёные могут работать по принципу «открытого кода».

Сегодня машинное обучение стало неотъемлемой частью исследований в области физики Солнца. Однако, чтобы достичь этого, недостаточно просто разработать нейросеть и объявить её частью науки. Необходимо наличие связующих элементов, которые объединяют все исследования в единую систему.

К таким элементам относятся база данных, универсальный программный код и междисциплинарный подход. Обучение нейронных сетей требует специальной инфраструктуры, которую можно создать лишь при тесном сотрудничестве физиков, специалистов по машинному обучению и тех, кто занимается поддержкой инфраструктуры.