arXiv · 17.06.2026 ·Машинное обучение

Применение машинного обучения для сопоставления астрономических данных

Исследователи представили новый метод автоматизированного сопоставления данных из рентгеновского каталога Chandra (CSC v2.1) и оптического каталога Gaia (DR3). Традиционные подходы к поиску соответствий между объектами в космосе часто ограничиваются анализом их пространственного положения, что приводит к ошибкам при наличии нескольких кандидатов в одной области неба. Новый алгоритм учитывает дополнительные характеристики источников, включая их звездные величины, спектральные цвета и расстояния до объектов.

В основе решения лежит модель машинного обучения, обученная на верифицированных парах источников. Система позволяет не только находить наиболее вероятные соответствия, но и эффективно выявлять случайные совпадения, а также разрешать неоднозначности, когда в поле зрения телескопов попадает сразу несколько потенциальных партнеров. Использование классификатора на основе признаков объектов значительно повышает точность идентификации астрофизических явлений.

Разработанный фреймворк помогает систематизировать данные о миллионах объектов, объединяя информацию из разных диапазонов излучения. Это позволяет астрономам точнее определять природу рентгеновских источников и строить более детальные карты космических структур. Метод демонстрирует эффективность применения алгоритмов классификации для решения задач кросс-матчинга в крупномасштабных научных базах данных.

Источник: arXiv

Похожие материалы

arXiv · Память и RAG FusionRS: новый датасет для визуально-языковых моделей с инфракрасными данными Исследователи представили FusionRS — крупномасштабный датасет, объединяющий RGB- и инфракрасные изображения для задач дистанционного зондирования Земли. В отличие от существующих решений, которые фокусируются только на RGB-изображениях, FusionRS включает инфракрасные данные, что позволяет использовать дополнительные характеристики, такие как тепловые структуры, границы объектов и освещение-инвариантные признаки. arXiv · Исследования и наука Новый метод для мультимодального разрешения кореферентности без предварительного обучения Исследователи предложили новый подход Plug-and-Adapt для мультимодального разрешения кореферентности (MCR), который не требует предварительного обучения на аннотированных данных. В статье на arXiv показано, что визуальная информация помогает устранять неоднозначности в тексте, что значительно повышает точность системы. arXiv · Исследования и наука Новый метод вычисления сходства траекторий судов на основе контрастного обучения Учёные представили новый фреймворк MoCo-AIS для вычисления сходства траекторий судов. Он основан на контрастном обучении и предназначен для анализа мобильных паттернов, что важно для извлечения маршрутных шаблонов, прогнозирования мобильности и обнаружения аномалий. Hacker News · Оценка и бенчмарки Метод Лос-Аламосской лаборатории для выявления галлюцинаций в мультимодальных моделях Исследователи из Лос-Аламосской национальной лаборатории представили новый подход к диагностике ошибок в работе мультимодальных моделей, объединяющих зрение и язык. Основная проблема таких систем заключается в склонности к «галлюцинациям» — генерации описаний объектов или событий, которых нет на исходном изображении. Разработанный метод позволяет более точно отслеживать соответствие между визуальными данными и текстовым выводом модели. Mistral AI Blog · Память и RAG Как тонкая настройка улучшает работу визуально-языковых моделей на спутниковых снимках Исследователи из Mistral AI продемонстрировали, как тонкая настройка визуально-языковых моделей (VLMs) может значительно улучшить их работу с спутниковыми снимками. В новом исследовании показано, что адаптация моделей под специфику спутниковых данных позволяет точнее анализировать и интерпретировать изображения. arXiv · Машинное обучение Новый метод SCAN для поиска аномалий во временных рядах Исследователи представили метод SCAN (Multi-Scale Neighborhood-Centered Clustering), предназначенный для улучшения обнаружения аномалий во временных рядах. Традиционные подходы, основанные на реконструкции данных, часто сталкиваются с проблемой баланса между чрезмерным обобщением, когда модель пропускает отклонения, и недостаточным обобщением, приводящим к ложным срабатываниям. Новый алгоритм решает эту задачу за счет внедрения многомасштабной кластеризации на уровне представлений. arXiv · Исследования и наука AdsMind: мультиагентная система для моделирования катализаторов Исследователи представили систему AdsMind, предназначенную для поиска оптимальных конфигураций адсорбции на поверхностях гетерогенных катализаторов. Задача определения состояний с минимальной энергией критически важна для химической промышленности, однако традиционные квантово-механические расчеты требуют огромных вычислительных затрат. Использование силовых полей на базе машинного обучения ускоряет релаксацию структур, но не решает проблему эффективного исследования обширного конфигурационного пространства. arXiv · Машинное обучение Эквивариантные графовые нейросети ускоряют поиск новых материалов Исследователи представили новый подход к прогнозированию оптических спектров материалов с использованием эквивариантных графовых нейронных сетей. Традиционные суррогатные модели часто ограничены использованием скалярных признаков, инвариантных к поворотам, что снижает точность описания геометрических свойств молекулярных структур. Применение эквивариантных архитектур позволяет нейросети учитывать пространственную ориентацию атомов и связей, значительно повышая выразительность модели при анализе сложных физических систем. arXiv · Машинное обучение Новый метод улучшает сегментацию медицинских изображений без меток Исследователи предложили новый подход к сегментации медицинских изображений в условиях нехватки аннотированных данных. В статье на arXiv представлен метод, который использует цепочки рассуждений (Chain of Thought, CoT) для улучшения семисупервизорного обучения. arXiv · Машинное обучение Новый метод обучения мультимодальных моделей через разделение восприятия и рассуждения Исследователи представили метод обучения мультимодальных моделей, который решает проблему «коротких путей» при использовании самодистилляции. Традиционный подход, при котором модель обучается на собственных результатах с опорой на эталонные данные, часто приводит к тому, что мультимодальные системы игнорируют визуальный контекст, полагаясь исключительно на текстовые подсказки. Новый алгоритм разделяет процессы восприятия изображения и логического рассуждения, что заставляет модель учитывать визуальные признаки как равноправный источник информации.

← Все материалы