Современная астрономия стремится к получению предельно высокого разрешения изображений, что открывает пути для углубленного изучения космических объектов. Тем не менее, регистрируемые телескопическими системами снимки неизбежно искажаются под воздействием комплекса факторов: от оптических аберраций и несовершенства фотоприемников до динамических искажений, возникающих при слежении за быстродвижущимися целями.

До эпохи цифровых технологий лидирующими подходами к обработке астрономических снимков были ручной труд и классические алгоритмы. Внедрение адаптивной оптики позволило частично уменьшить атмосферные помехи, однако высокая стоимость и техническая сложность таких решений ограничивали их применение исключительно крупными обсерваториями. Прорыв в области машинного обучения и искусственного интеллекта (ИИ) в последние годы обеспечил доступ к высококачественной обработке, сделав ее достоянием, как профессионалов, так и астрономов-любителей.

Активное внедрение технологий ИИ в астрономическую практику относится к началу XXI века. Знаковым отечественным достижением стала разработка коллектива Южного федерального университета под руководством Максима Хисамутдинова. Полученный с использованием этой системы снимок МКС удостоился победы на международном конкурсе астрофотографии в 2024 году. Параллельно исследования в данном русле велись в МФТИ, УрФУ и Самарском университете. Сегодня российские научные группы вносят весомый вклад в эволюцию нейросетевых алгоритмов для астрономии.

Ключевым преимуществом нейросетей является их способность выявлять скрытые закономерности и признаки, недоступные для традиционных методов. Искусственный интеллект не просто подавляет шумы матриц, но и реконструирует утраченные элементы изображения, опираясь на опыт, полученный в ходе обучения на массивах эталонных данных. Результат такой реконструкции наглядно продемонстрирован на Рисунке 1.

Рис. 1. Изображение до и после обработки искусственным интеллектом

Детальные архитектуры нейросетей разработчики обычно не раскрывают — это коммерческая тайна. Однако общий принцип везде схож: сеть тренируют на парах «плохой кадр — хороший кадр». Роль эталонов играют либо снимки с более мощных телескопов, либо смоделированные изображения, либо результаты сложного усреднения множества кадров.

Хорошо этот подход виден на примере разработки ЮФУ [1]. Их интеллектуальная камера выдает до 300 кадров в секунду при съемке быстрых целей вроде МКС и до 1000 — для мелких объектов (например, спутников). В реальном времени нейросеть делает три вещи: стабилизирует картинку, выделяет нужный объект и суммирует кадры в один с большим качеством. Чтобы не тратить ресурсы на пустое небо, используется динамическое окно — обрабатывается только область с объектом.

Главное, что дает машинное обучение — это рост дальности и детальности съемки по сравнению с классическими методами. Благодаря накопленному опыту нейросеть знает, что искать и как дополнить изображение. Разработки ЮФУ позволяют получать качественное изображение объектов на околоземной орбите буквально любительским оборудованием — раньше такое могли только крупные обсерватории [1].

Нейросетевые подходы эффективны в условиях априорной неопределённости, тогда как классические методы требуют предварительного математического моделирования искажений. Исследователи Самарского университета и Университета ИТМО разработали алгоритм распознавания волновых искажений с точностью 99,7 %, который анализирует изображение и определяет тип аберрации без сложных измерительных систем [7].

Нейросетевые алгоритмы также позволяют корректировать работу телескопов в процессе эксплуатации без физического вмешательства. Например, система AMIGO, адаптированная российскими специалистами для телескопа «Джеймс Уэбб», компенсирует дефекты детектора в автоматическом режиме на расстоянии свыше миллиона километров от Земли [3, 8].

Нейросети в астрономии давно вышли за рамки простого улучшения картинки — спектр их задач куда шире. Например, поиск планет по данным «Кеплера» и TESS: тут отличилась совместная разработка УрФУ и NASA под названием ExoMiner++ [3]. Другой пример — система «Страж» из МФТИ, которая автоматически классифицирует переменные звёзды [2]. Те же алгоритмы помогают отслеживать космический мусор и упрощают навигацию аппаратов (работа группы Н. Завьяловой, МФТИ [6]), а ещё — диагностировать волновые искажения (исследования Самарского университета и ИТМО [4]).

Таким образом, методы машинного обучения становятся неотъемлемым инструментом современных телескопических оптико-электронных систем, обеспечивая решение широкого круга задач — от повышения качества изображений до автоматизации поиска и классификации объектов. Дальнейшее развитие нейросетевых технологий будет способствовать расширению их применения, как в фундаментальных научных исследованиях, так и в прикладных областях, связанных с оптическими системами.

Литература:

1. Разработка учёного ЮФУ повысит качество фото космических объектов // Наука РФ. 2024. URL: https://xn--80aa3ak5a.xn--p1ai/news/razrabotka-uchyenogo-yufu-povysit-kachestvo-foto-kosmicheskikh-obektov/ (дата обращения: 09.03.2026).
2. В МФТИ разработали систему для автоматического обнаружения и классификации переменных звезд // Московский физико-технический институт. 2025. URL: https://new.mipt.ru/news/v-mfti-razrabotali-sistemu-dlya-avtomaticheskogo-obnaruzheniya-i-klassifikatsii-peremennykh-zvezd (дата обращения: 09.03.2026).
3. Ученые создали нейросеть нового поколения для поиска экзо планет // Научная Россия. 2025. URL: https://scientificrussia.ru/articles/ucenye-sozdali-nejroset-novogo-pokolenia-dla-poiska-ekzoplanet (дата обращения: 10.03.2026).
4. ИИ-помощник астрономов: нейросеть с участием УрФУ учится находить новые миры // Уральский федеральный университет. 2025. URL: https://2030.urfu.ru/news/550 (дата обращения: 11.03.2026).
5. Создан улучшающий навигацию в космосе алгоритм // ТАСС. 2024. URL: https://tass.ru/nauka/22772723 (дата обращения: 11.03.2026).
6. Новости науки. В МФТИ разработали систему «Страж» для мониторинга космических угроз // Независимая газета. 2025. URL: https://nvo.ng.ru/nauka/2025–06–24/10_9279_science.html (дата обращения: 11.03.2026).
7. Северо-Западный университет и университет Цинхуа создали ИИ для улучшения снимков телескопов // Хабр. — 13.04.2023. — URL: https://habr.com/ru/news/728804/ (дата обращения: 13.03.2026).