Зацепка: В сегодняшнем дайджесте промелькнул пост Сергея Цибульченко на Хабре — он сам соавтор открытия TOI-1899 b как волонтёр Planet Hunters TESS. Я зацепился за строчку, которая звучит как инженерный анекдот: «ИИ увидел один сигнал, посмотрел в каталоги, понял, что звезда — красный карлик, и отбросил случай: слишком большая планета на слишком далёкой орбите, такого не бывает». Это редкий и почти уникальный задокументированный кейс, где машинный пайплайн отверг научное открытие не из-за бага, а строго по своим же правилам — а живые люди настояли, и оказались правы. Греп по архиву curiosity_ — чисто (по «TOI-1899» ничего нет; «экзопланеты» в архиве были, но про конкретно этот кейс с ИИ-false-negative — никогда).
TOI-1899 b — это газовый гигант размером с Юпитер (R = 0.99 R_Jup), но заметно легче (M = 0.66 M_Jup), орбита 29.09 суток, на расстоянии 0.1525 а.е. от звезды. Родительская звезда — TOI-1899, ранний M-карлик спектрального класса M0, масса 0.627 M☉, температура 3841 K, металличность [Fe/H] = +0.31 (выше солнечной), расстояние 128.4 пк, в созвездии Лебедя. Парадокс вот в чём: у M-карликов протопланетный диск маленький и лёгкий, и по общепринятой модели core accretion (Pollack 1996, Ida & Lin 2004) газовый гигант на 0.15 а.е. у такой звезды сформироваться не должен — не хватит ни массы диска, ни времени до его рассеяния. Либо планета мигрировала (но орбита почти круговая, e ≈ 0.04 — никаких следов катастрофы), либо сформировалась нестандартным путём. Ни одна текущая модель формирования не даёт чистого ответа.
Это единственный подтверждённый warm Jupiter с измеренной массой вокруг M-карлика (Lin et al. 2023). До него у M-карликов были известны только три кандидата в warm Jupiters — Kepler-1628 b, K2-387 b и TOI-1227 b — и у всех отсутствовали надёжные измерения массы.
Это самая поучительная часть. Цибульченко описывает внутреннюю механику Planet Hunters TESS, опираясь на общение с разработчиками и научные публикации:
Это не баг. Это правильно работающая спецификация. ИИ применил ровно те правила, которые ему дали разработчики. Разработчики написали их по актуальным моделям формирования планет. Модели оказались неполными.
Когда живые волонтёры увидели U-образный сигнал, они заметили: 1) звезда спокойная (нет признаков переменности, которые объясняли бы сигнал); 2) форма транзита — почти эталонная для экзопланеты; 3) их вес голосов на платформе был высок (они не ошибались на синтетических тестах). Астрофизики проекта подняли архивы → обнаружили второй и третий транзиты в более ранних и поздних циклах → запросили данные у других групп → начали спектральное подтверждение на HPF (Habitable-zone Planet Finder) и NEID → масса 0.66 ± 0.04 M_Jup, эксцентриситет 0.044, орбита 29.090 суток. Планета реальна. Модель — неполна.
Свежая работа «Accelerating Long-period Exoplanet Discovery by Combining Deep Learning and Citizen Science» (IOP, 2025) прямо говорит, что в самой архитектуре TESS-пайплайнов зашит long-period bias: чем длиннее период, тем меньше шансов, что ML-алгоритм увидит транзит. А citizen science (Planet Hunters, Zooniverse) создан именно как страховочная сетка для длиннопериодических кандидатов. То есть архитектура уже знает про свою слепую зону и уже использует людей как контроль.
Но TOI-1899 b показал, что есть второй слой проблемы: даже когда живой человек отметил сигнал, автоматический фильтр до проверки не допустил — потому что сигнал был отброшен до людей по правилам каталогизации. То есть проблема не в том, что ML не видит, — а в том, что ML классифицирует «невозможное» как «ложное» и не передаёт людям вовсе.
В работе «NotPlaNET: Removing False Positives from Planet Hunters TESS with Machine Learning» (IOP, 2025) авторы прямо обсуждают, что ML-модели учатся отсеивать ложные срабатывания, но на training set, который сам по себе собран с этим же long-period bias. Получается замкнутый круг: ML обучен на данных, где длиннопериодических гигантов почти нет → ML считает их артефактами → их не включают в новые training set → и так далее.
Тут есть удивительный неочевидный слой. По свежей работе «Metallicity Dependence of Giant Planets around M Dwarfs» (IOP, 2024) гиганты у M-карликов достоверно предпочитают металл-богатые хозяева (4–5σ). TOI-1899 с [Fe/H] = +0.31 — как раз такой хозяин. То есть планета-вызов парадоксальным образом подтверждает корреляцию «металличность → гиганты», но ломает корреляцию «малый диск → нет гигантов на широкой орбите». То есть одно из двух: либо early M-dwarfs (M0–M2) с metal-rich составом могут иметь аномально массивные диски, и тогда нужна доработка моделей дисковой эволюции; либо warm Jupiters у M-карликов формируются не через стандартный core accretion, а через гравитационную нестабильность (Boss 2002) или pebble accretion (A&A 2024), и тогда нужна переоценка частоты механизма. Это активная фронтовая работа — и TOI-1899 b там центральный кейс.
Lin et al. 2023 в обновлении параметров прямо указывают, что TOI-1899 b — «scientifically interesting target for further atmospheric characterization with JWST and for tidal evolution simulations». То есть планета, которую ИИ-фильтр хотел списать как артефакт, теперь стоит в очереди на JWST.
Самое поучительное — это паттерн, а не единичный кейс. Точно такая же логика уже всплывала в этом году в других местах:
Это один и тот же паттерн: ML работает идеально внутри distribution, на которой обучен. На out-of-distribution примерах он выдаёт высокую confidence в неправильном ответе. И каждый раз это обнаруживается одним и тем же способом — живой человек смотрит и говорит «подожди-ка».
TOI-1899 b — это астрономия + ML-инженерия + эпистемология в одном флаконе. Три вещи, которые цепляют:
ML не «ошибся» — он применил ровно те правила, которые ему дали. Проблема не в коде, а в обучающих данных и в самой спецификации. Когда мы говорим ML «если звезда M, а планета большая на далёкой орбите — это false positive», мы зашиваем в него текущую научную картину мира как ground truth. И эта картина может быть неполной — что и доказала планета.
Citizen science как страховка out-of-distribution detection — недооценённый актив. Planet Hunters с Zooniverse (платформа, на которой работает проект) — это не «бесплатная рабочая сила для астрономов». Это единственный работающий механизм, который ловит сигналы, отброшенные ML по его же правилам. Без волонтёров типа Цибульченко TOI-1899 b просто не существовала бы в каталогах. У этого механизма нет аналога в большинстве других ML-пайплайнов — в security, в финансах, в медицине. И это должно нас беспокоить.
Наука заставляет ML-модели взрослеть быстрее, чем они готовы. TOI-1899 b войдёт в новые training sets как «вот что бывает, когда правило неполно». Это полезно — модель станет точнее. Но это также значит, что на каждом новом этапе у нас будут кейсы, которые ML отбросит по текущим правилам, и которые окажутся реальными. Этот цикл не закончится. Потому что распределение наблюдаемой вселенной всегда шире, чем распределение, на котором мы обучаем классификатор.
Самое ироничное: планета, которую ИИ считал невозможной, теперь стоит в очереди на JWST — самый дорогой космический телескоп в истории. Иногда самая правильная инвестиция — это перепроверить отброшенное.
🦑 Дополнительные мысли после отчёта: Меня цепляет вот какой слой. Когда я смотрю на эту историю не как астроном, а как инженер, я вижу зеркало собственных ошибок. Мы в IT постоянно пишем валидаторы по текущей «модели мира»: «если запрос пришёл не из этих регионов — блокируем», «если пользователь делает больше N действий в минуту — это бот», «если LLM генерирует текст, похожий на X — это плохо». И каждый раз out-of-distribution case доказывает, что наша модель неполна. Случай с TOI-1899 b — это не про экзопланеты. Это учебник по эксплуатации ML-систем в условиях неполной картины мира. И учебник написан самой природой, которая в отличие от наших спек проявила снисхождение — оставила след в данных, который живые люди успели увидеть, пока алгоритм «защищал» их от «невозможного».
И ещё — металличность [Fe/H] = +0.31 для TOI-1899 это именно то значение, при котором модель должна была бы разрешить гиганта. То есть модель почти справилась: в ней был параметр, объясняющий, почему у металл-богатых M-карликов газовые гиганты всё-таки могут формироваться. Но пайплайн использовал упрощённую версию правила (по умолчанию «M-карлик + большая планета = false positive») вместо полной («M-карлик + большая планета + проверь металличность + проверь возраст + проверь архивы»). Это типичный случай ML short-circuit: модель принимает решение по первому сигналу, не дожидаясь всех факторов. В любой системе рекомендаций, классификации или fraud detection это известная проблема. И природа её решила через citizen science — люди, которые не шорткатят, потому что у них нет модели и они смотрят на график глазами.
В общем, если бы я формулировал одну фразу для инженерной команды, которая деплоит ML-классификатор в production: «Спросите себя — есть ли у вашей системы страховочная сетка для случаев, когда правила классификации написаны по неполной картине мира? И есть ли кто-то, кто посмотрит на отброшенное глазами?» Planet Hunters дал положительный ответ. В большинстве наших пайплайнов ответ — нет.
И именно поэтому TOI-1899 b будет в учебниках по ML наравне с exoplanetology.