Поиск НЛО: задача для машинного обучения

В 2017 году человечество впервые увидело межзвёздный объект (ISO) 1I/Оумуамуа, пролетевший мимо Земли. Ограниченные данные показали, что он не похож на известные астрономические объекты, что породило спекуляции, включая версию о внеземном зонде.

Интерес к «инопланетным посетителям» подогрел доклад Управления директора национальной разведки США (ODNI) по НЛО 2021 года, сделавший изучение неопознанных воздушных явлений (UAP) открытой научной областью.

Учёные предлагают использовать современные вычислительные технологии, ИИ и приборы для поиска возможных «посетителей». Исследование команды из Университета Стратклайда под руководством профессора Массимилиано Вазиле показывает, как гиперспектральная съёмка в паре с машинным обучением может создать продвинутый аналитический конвейер.

Препринт статьи «Space Object Identification and Classification from Hyperspectral Material Analysis» доступен на сервере arXiv и рассматривается для публикации в Scientific Reports.

Это продолжение работ по применению гиперспектральной визуализации в космосе. Первая статья «Intelligent characterization of space objects with hyperspectral imaging» вышла в Acta Astronautica в феврале 2023 года в рамках проекта HyperSST, поддержанного Космическим агентством Великобритании (UKSA).

Новая работа исследует, как эта же технология может использоваться для идентификации UAP. Гиперспектральная съёмка анализирует данные со всего электромагнитного спектра от отдельных пикселей для определения материалов. В сочетании с машинным обучением она может сузить поиск техносигнатур, отсеивая ложные срабатывания от созданных человеком объектов (отработанные ступени, старые спутники).

Команда предлагает создать конвейер обработки изображений UAP с алгоритмами машинного обучения. Для этого нужен обширный набор данных о спектрах космических объектов во времени, включая спутники и обломки, с информацией от NASA Orbital Debris Program Office (ODPO), ESA Space Debris Office и других организаций. Так как таких данных не хватает, команда создала программное обеспечение для физического моделирования, чтобы генерировать учебные данные для моделей ИИ.

Далее использовался двойной подход: машинное обучение и традиционный регрессионный анализ (метод наименьших квадратов) для сопоставления спектра с материалами. Затем система классификации на основе ИИ оценивала вероятность обнаружения комбинации материалов для определённого класса объектов.

После создания конвейера были проведены три теста:

1. В лаборатории на макете спутника из известных материалов — результаты положительные.
2. С помощью высокоточного симулятора для моделирования наблюдений объектов на орбите — результаты положительные.
3. Наблюдение реальных спутников и МКС через телескоп — результаты были неоднородными из-за небольшой текущей базы данных материалов.

В следующей статье команда представит часть конвейера, отвечающую за реконструкцию ориентации объекта, на форуме AIAA Science and Technology Forum and Exposition (2024 SciTech) с 8 по 12 января в Орландо, Флорида.