DL в астрофизике/астрономии: https://arxiv.org/pdf/2411.12233 В РСДБ наблюдениях (радиоинтерферометрия со сверхдлинной базой) реально получить из эксперимента только малую часть фурье-образа объекта (uv-coverage), так что существует бесконечное множество совместимых изображений. Для разрешения этой проблемы классические методы (включая использующиеся в Event Horizon Telescope) полагаются на maximum likelihood / maximum entropy с жёстко заданными априорными ограничениями на морфологию и симметрию карт. Авторы предлагают гибридную архитектуру глубокого обучения, позволяющую напрямую отображать наборы closure invariants (инварианты замыкания - устойчивые относительно шумов и калибровочных ошибок сочетания фурье-компонент) в изображения источников: трансформер кодирует последовательности closure invariants в латентное пространство сверточного автоэнкодера, а декодер этого автоэнкодера восстанавливает карту яркости Модель обучается на смешанном датасете: 60к изображений CIFAR‑10 и 6к синтетических примеров типичных радиоастрономические морфологии (компактные источники, диски, эллипсы, кольца и т.п.). Для данных морфологических классов модель достигает уровня классических SOTA‑алгоритмов реконструкции по метрике NXCORR. При применении к реальным данным (пример на рис. 5 статьи) качество визуальной реконструкции уступает классическим подходам как для источников с «новой» морфологией, отсутствующей в синтетическом наборе (Centaurus A), так и для объектов с морфологией, формально присутствующей в обучающей выборке (3C 279), однако из восстановленных изображений удаётся надёжно извлечь ключевые физические характеристики — отношение поверхностной яркости компонентов, разделение core–jet, ориентацию струи и асимметрию.