SNAD 项目的国际团队，包括高等经济学院物理学院副教授 Matvey Kornilov，发现了 11 个异常现象，其中 7 个是超新星候选者。对2018年北方天空数字图像进行研究，采用基于K维树的最近邻法进行搜索。机器学习方法使自动搜索异常成为可能。

人工智能发现了新的空间异常

该研究发表在《新天文学》杂志上。大多数天文发现都是基于观察和随后的计算。早在 20 世纪，观测的数量还很少，但随着对天空的广域天文调查的委托，接收到的数据量增加了很多倍。例如，Zwicky Transient Facility (ZTF) 是一项对北方天空的大范围调查，每晚观测产生大约 1.4 TB 的数据，其目录包含数十亿个物体。

手动处理如此大量的数据既困难又昂贵，因此汇集了来自俄罗斯、法国和美国的科学家的SNAD项目团队解决了这一过程的自动化问题。为了更多地了解天文物体，科学家们分析了它们的光变曲线——物体亮度对时间的依赖性。

首先，在天空中记录一次闪光，然后记录其亮度如何演变：变亮、变弱或完全熄灭。在这项研究中，科学家们从 Zwicky Transient Facility 2018 目录中获取了 100 万个真实物体的光变曲线，并编制了所研究类型物体的 7 个模拟光变曲线。总共考虑了大约 40 个属性，例如物体亮度和周期性的幅度。

“我们用一组我们期望在真实天体中看到的特征描述了模拟的属性。在一百万个物体中，我们搜索了超强超新星、Ia 型超新星、II 型超新星和潮汐破裂事件，”该文章的作者之一、伊利诺伊大学厄巴纳-香槟分校的博士后 Konstantin Malanchev 解释说。— 我们称之为异常的此类对象。它们非常稀有，对其特性的研究也很少，或者它们是需要进行更详细研究的有趣对象。”

然后，将真实物体的光变曲线数据与使用 K-tree 方法的模拟进行比较。K 维树是一种特殊的几何数据结构，它允许您通过用超平面、平面、线或点将空间切割成更小的部分。拆分用于缩小 K 维空间中的搜索范围，他们正在寻找具有与七个模拟中描述的属性尽可能相似的对象。

结果，对于七个模拟中的每一个，都是从 ZTF 数据库中找到了 15 个最相似的现实生活对象。总共有 105 个对象。他们的研究人员手动分析并检查了它们是否异常。经过人工验证，确认了11个异常，其中7个是超新星候选者，另外4个是活动星系核，其中可能发生潮汐破裂事件。

“这是一个非常好的结果，”文章的作者之一、PK Sternberg 州立天文研究所的研究员 Maria Pruzhinskaya 评论道。“此外，我们不仅成功地发现了已经发现的稀有物体，而且还发现了一些被天文界遗漏的新物体。这意味着可以调试现有的搜索算法，以便不再错过此类对象。”

研究表明，这种方法确实有效，而且实施起来非常简单。所提出的搜索特定类型天体的方法具有普遍性，不仅可以用来发现稀有类型的超新星，还可以用来发现其他有趣的天文物体。

“科学家以前没有发现的天文或天体物理现象也是异常现象，”高等经济学院物理学院副教授Matvey Kornilov解释说。- 此类对象的观察表现应不同于已知对象的属性。未来，我们计划使用我们的方法来发现新的对象类别。”