Claude Science собрал первую полную карту неба в ультрафиолете с ошибкой ~10%

Астрофизик Брайс Менар из Университета Джонса Хопкинса составил первую полную карту всего неба в ультрафиолетовом диапазоне. Почти всю работу выполнили ИИ-агенты Claude Science от Anthropic. Они скачали данные нескольких космических миссий, откалибровали их и закрыли пробелы в покрытии методом inpainting. Предсказания для заполненных участков в среднем отличались от реальных измерений примерно на 10%. Сам Менар считает проект примером исследования, которое без ИИ «просто не было бы сделано».

Что именно делали агенты

Задача выглядит рутинной, но трудоёмка. Ультрафиолет почти полностью поглощается атмосферой, поэтому его наблюдают из космоса. Данные приходят из разных миссий, и у каждой свои приборы, области покрытия и особенности калибровки. Чтобы получить единую карту, нужно собрать массивы, привести их к общей шкале и разобраться с областями, где измерений нет или они непригодны.

По описанию, агенты прошли весь этот путь сами: от загрузки данных до калибровки и восстановления пропусков. Inpainting — это достраивание недостающих фрагментов изображения по соседним данным и выученным закономерностям. Так восстанавливают закрытый или повреждённый участок фотографии. Здесь тот же принцип применили к небесной сфере.

Как читать цифру в 10%

Средняя ошибка около 10% получена при сравнении предсказаний с реальными измерениями. Для научной карты это ключевая метрика: она показывает, насколько можно доверять областям, где данные не наблюдались, а были восстановлены.

Ограничения тоже важны. В исходном материале нет деталей о том, как именно считалась метрика, как ошибка распределена по небу и где она заметно выше среднего. Не указано и то, какие именно миссии вошли в набор. Пока это краткий пересказ, а не полная методика. Для оценки результата нужны публикация и доступ к самой карте.

Ключевые параметры проекта:

• Автор: Брайс Менар, Университет Джонса Хопкинса.
• Инструмент: Claude Science от Anthropic.
• Результат: первая полная карта всего неба в ультрафиолете.
• Источники данных: материалы нескольких космических миссий.
• Этапы, выполненные агентами: загрузка, калибровка, заполнение пробелов через inpainting.
• Точность: среднее отклонение предсказаний от измерений около 10%.

Почему это важно для индустрии

Проект показывает практическую роль агентов в науке. Они не подбирают гипотезы и не пишут обзоры, а берут на себя тяжёлую инженерную часть: собрать разрозненные архивы, привести их к одному виду, довести до готового продукта. Для многих групп именно эта часть определяет, будет ли работа вообще начата.

Формулировка Менара описывает конкретный класс задач. Это работы, которые полезны, но не окупают месяцы человеческого времени, поэтому их не делают. Если агент снижает цену такой работы до разумной, список выполнимых проектов растёт, причём в первую очередь на стыке больших открытых архивов.

Что можно взять на вооружение

Исследовательским командам стоит смотреть на этот кейс как на шаблон. Подходят задачи, где данных много и они лежат в публичных архивах, а результат можно проверить против независимых измерений. Именно так получена оценка в 10%: часть известного скрывают, предсказывают и сравнивают.

При работе с агентами полезно соблюдать три правила:

• Хранить журнал шагов агента, чтобы калибровку можно было воспроизвести.
• В итоговой карте или таблице явно отделять наблюдённые значения от восстановленных.
• Публиковать метрику ошибки не только в среднем, но и по областям.

Для читателей практический вывод проще. Пока нет публикации и открытых данных, карту стоит считать сильной демонстрацией возможностей агентов, а не готовым справочным ресурсом. Когда методика выйдет, станет ясно, насколько 10% подходят для задач астрофизиков.