ИИ не смог обнаружить TOI‑1899 b, но астрономы нашли её вручную
Экзопланета TOI‑1899 b была отвергнута автоматическим ИИ‑сканером, однако команда астрономов выявила её в данных TESS. Что пошло не так и какие выводы для будущих моделей?
В августе 2026 года команда исследователей из Института астрономии им. П. Лебедева объявила об открытии новой экзопланеты TOI‑1899 b. Планета вращается вокруг звезды типа K‑дневного карлика на расстоянии 0,12 а. е. и имеет массу около 1,8 М⊕, что делает её «супер‑землёй» с потенциально пригодной для жизни поверхностью.
Изначально данные транзита планеты были обработаны стандартным пайплайном, основанным на сверточных нейронных сетях, который используется в миссии TESS для автоматической классификации сигналов. Алгоритм пометил сигнал как «ложный положительный» из‑за низкого уровня сигнала‑шум и аномального профиля затмения, и планета была исключена из списка кандидатов.
Однако исследователи, проверяя список отклонённых сигналов, заметили небольшую, но повторяющуюся падение яркости звезды. После детального ручного анализа, включающего фазовое складывание и проверку на систематические ошибки, было подтверждено, что это действительно транзит планеты. Последующее спектроскопическое наблюдение подтвердило массу и орбитальные параметры.
Публикация подчёркивает два ключевых момента: во‑первых, текущие модели ИИ могут ошибаться при работе с низко‑сигнальными данными, особенно в случае небольших планет; во‑вторых, человек‑в‑цикле остаётся критически важным для окончательной валидации. Авторы предлагают расширить тренировочный набор реальными «трудными» примерами и внедрить гибридные подходы, где ИИ предварительно отбирает кандидаты, а эксперты проводят финальную проверку.
Полный текст статьи доступен на Habr AI: https://habr.com/ru/articles/1068098/
Для разработчиков моделей обнаружения транзитов это сигнал к пересмотру датасетов: необходимо включать больше слабых и аномальных сигналов, чтобы сеть училась отличать реальную планету от шума. Гибридные пайплайны, где ИИ делает предварительный отбор, а человек проверяет крайние случаи, могут снизить количество пропусков. При этом повышается требование к интерпретируемости моделей, чтобы понять, почему они отклоняют потенциально интересные сигналы.
