Протопланетный диск — это окружение из холодного молекулярного газа и пыли, окружающее протозвезду. Наличие планеты в таком диске вызывает гравитационное скопление или отток материала, что приводит к формированию характерных структур — колец или спиралей. Таким образом, субструктуры дисков можно рассматривать как «послания» формирующихся планет. Для их детального изучения необходимы сверхточные радиотелескопы, например, ALMA.

Наблюдения с помощью ALMA, включая крупные проекты DSHARP и eDisk, позволили получить сверх четкие изображения распределения пыли в протопланетных дисках.

Проект DSHARP показал, что характерные структуры часто встречаются в дисках около 20 молодых звёзд, которым более миллиона лет с момента их образования.

В то же время проект eDisk выявил меньше выраженных субструктур в дисках 19 протозвезд, находящихся в активной фазе аккреции — спустя 10–100 тысяч лет после рождения звезды. Это указывает на различия в свойствах дисков в зависимости от возраста звёзд.

Возникает вопрос: когда именно появляются субструктуры, свидетельствующие о рождении планет? Для ответа нужны наблюдения дисков среднего возраста, которые до сих пор изучены недостаточно. Однако ограничения по расстоянию и времени наблюдений усложняют проведение статистически значимых исследований больших выборок.

Для решения этой задачи команда исследователей применила метод сверхвысокой визуализации на основе разреженного моделирования. В радиоастрономии традиционные методы реконструкции компенсируют недостающие данные с определёнными допущениями. Новая методика позволяет восстанавливать изображения с большей точностью, обеспечивая более высокое разрешение без необходимости дополнительных данных.

В исследовании использовался открытый программный модуль PRIISM (Python module for Radio Interferometry Imaging with Sparse Modeling), разработанный японской командой. На основе архивных данных ALMA было проанализировано 78 протопланетных дисков в области звездообразования в созвездии Змееносца, расположенном на расстоянии 460 световых лет.

Более половины полученных изображений достигли разрешения, превышающего традиционные методы более чем в три раза, сопоставимого с проектами DSHARP и eDisk.

Кроме того, общий объём данных в данном исследовании почти в четыре раза превышает количество образцов из предыдущих двух проектов, что значительно повышает надёжность статистического анализа. Среди изученных 78 дисков у 27 были обнаружены кольцевые или спиральные структуры, причём 15 из них выявлены впервые именно в этой работе.

Исследователи объединили выборку из созвездия Змееносца с данными проекта eDisk для комплексного статистического анализа. Результаты показали, что характерные субструктуры дисков начинают формироваться на радиусах более 30 астрономических единиц уже на ранней стадии звездообразования — спустя всего несколько сотен тысяч лет после появления звезды.

Это свидетельствует о том, что процессы формирования планет начинаются значительно раньше, чем считалось ранее, когда диск ещё богат газом и пылью. Иными словами, планеты растут и развиваются вместе со своими очень молодыми звёздными хозяевами.

Айюму Сёси отметил: «Эти открытия, заполняющие разрыв между проектами eDisk и DSHARP, стали возможны благодаря инновационным методам визуализации, обеспечивающим высокое разрешение и одновременно увеличивающим размер выборки. Хотя результаты относятся только к дискам в созвездии Змееносца, дальнейшие исследования в других регионах звездообразования помогут определить, насколько данный тренд универсален.»

Примечание: стадия эволюции протозвезды определяется по болометрической температуре — условной температуре, рассчитанной на основе суммарной светимости объекта во всех длинах волн. Более высокая болометрическая температура указывает на более продвинутую эволюционную стадию. Температура около 650 К соответствует примерно одному миллиону лет с момента рождения звезды.

C/2014 UN271 представляет собой настоящего гиганта, его диаметр составляет около 140 км — более чем в десять раз превышает размер большинства известных комет. До настоящего времени о том, как ведут себя такие холодные, удаленные объекты, было известно немного. Новые наблюдения выявили сложные и динамичные гейзеры угарного газа, извергающиеся из ядра кометы, предоставив первые прямые доказательства факторов, которые приводят к ее активности на таком значительном удалении от Солнца.

"Эти измерения дают нам возможность понять, как функционирует этот огромный, ледяной мир," — утверждает ведущий автор Натан Рот из Американского университета и Центра космических полетов имени Годдарда NASA. "Мы наблюдаем взрывы которые ставят новые вопросы о том, как эта комета будет эволюционировать по мере приближения к внутренней солнечной системе."

Телескоп ALMA наблюдал C/2014 UN271, фиксируя свет от угарного газа возле ядра и тепловое излучение, когда комета находилась еще очень далеко от Солнца. Благодаря высокой чувствительности и разрешающей способности ALMA ученые смогли сосредоточиться на крайне слабом сигнале от столь холодного, удаленного объекта.

Основываясь на предыдущих наблюдениях ALMA, которые впервые охарактеризовали большой размер ядра UN271, новые данные позволили измерить тепловой сигнал для более точного расчета размера кометы и количества пыли, окружавшей ее ядро.

Их оценки размеров ядра и массы пыли согласуются с предыдущими наблюдениями ALMA и подтверждают статус этой кометы как крупнейшей, найденной в Облачной области Оорта. Способность ALMA точно измерять эти сигналы сделала это исследование возможным, предоставив более ясное представление о этом далеком, ледяном гиганте.

Это открытие не только означает первое обнаружение молекулярного облака в комете-рекордсмене, но и предлагает редкое понимание химии и динамики объектов, происходящих из самых удаленных уголков нашей солнечной системы. По мере приближения C/2014 UN271 к Солнцу ученые ожидают, что больше замороженных газов начнет испаряться, открывая новые аспекты примитивного состава кометы и ранней солнечной системы.

Подобные открытия помогают ответить на фундаментальные вопросы о происхождении Земли и ее воды, а также о том, как могут формироваться условия, благоприятные для жизни, в других местах.

Ралли «Шелковый путь» проходит с 2009 года. За время существования соревнования гонка проходила по территории России, Китая, Казахстана, Монголии и Туркменистана.

Особое внимание в этом году привлекла команда «КАМАЗ-мастер». Спортивные грузовики и машины технической поддержки вышли на старт с обновленным экстерьером, включающим символику Авито Спецтехники — генерального партнёра команды.

Антон Агальцов, руководитель категории «Продажи» в Авито Спецтехника:

«Мы гордимся партнерством с «КАМАЗ-мастер» в рамках ралли «Шелковый путь», ведь данное событие – это возможность доказать надежность и качество продукции российского автопрома и уровня развития отечественных инженерных решений. Эти инновации впоследствии будут доступны не только спортсменам, но и рядовым пользователям спецтехники, которую всегда можно найти на нашей платформе. Поддержка отечественных производителей спецтехники – один из наших ключевых фокусов и в рамках этой стратегии мы также активно сотрудничаем с Министерством промышленности и торговли РФ, с которым недавно подписали меморандум о поддержке производителей самоходных машин. Подобные шаги в укреплении взаимодействия между нами, другими участниками рынка и государством, помогают совместно развивать отрасль».

Кроме того, в преддверии старта ралли-рейда «Шелковый путь» в июне 2025 года в Москве прошла масштабная совместная экспозиция Авито Спецтехники и легендарной команды «КАМАЗ-мастер». На площади у колеса обозрения «Солнце Москвы» на ВДНХ был выставлен знаменитый спортивный грузовика KAMAZ-43509 в фирменной ливрее, посвящённой 30-летию команды. Именно на нём экипаж Андрея Каргинова одержал победы на ралли «Дакар» и «Золото Кагана» в 2020 году, а также завоевал высшие награды на марафоне «Шелковый путь» в 2018 и 2019 годах. За месяц экспозицию посетили более 500 тысяч москвичей и гостей города.

Команда «КАМАЗ-мастер» также примет участие в ежегодном профильном мероприятии от Авито «Дело спецтехники», где ключевые игроки рынков сельскохозяйственной, дорожно-строительной техники и коммерческого транспорта обсудят состояние индустрии и перспективы ее развития.

Авито Спецтехника в свою очередь продолжит и дальше поддерживать команду на специализированных выставках и мероприятиях, где будет представлена «КАМАЗ-мастер», укрепляя связь между спортивными достижениями, промышленной экспертизой и цифровыми платформами.

Международная команда, возглавляемая Университетом Женевы (UNIGE), обнаружила самый удалённый кандидат на звание спиральной галактики на сегодняшний день. Эта ультрамассивная система существовала всего через один миллиард лет после Большого взрыва и уже демонстрирует удивительно зрелую структуру с центральным старым бугром, большим диском, формирующим звёзды, и четко определёнными спиральными рукавами.

Открытие было сделано с использованием данных телескопа Джеймса Уэбба (JWST) и предоставляет важные сведения о том, как галактики могут формироваться и эволюционировать так быстро в ранней Вселенной. Исследование опубликовано в журнале Astronomy & Astrophysics.

Ожидается, что крупные спиральные галактики, такие как Млечный Путь, формируются в течение нескольких миллиардов лет. В течение первого миллиарда лет космической истории считается, что галактики маленькие, хаотичные и имеют неправильную форму.

Однако JWST начинает раскрывать совершенно другую картину. Его глубокая инфракрасная съемка обнаруживает удивительно массивные и хорошо структурированные галактики на гораздо более ранних этапах, чем ожидалось ранее, что побуждает астрономов пересмотреть, как и когда галактики формировались в ранней Вселенной.

Среди новых находок — Zhúlóng, самый удалённый кандидат на звание спиральной галактики, обнаруженный на красном смещении 5.2 — всего через 1 миллиард лет после Большого взрыва. Несмотря на этот ранний период, галактика демонстрирует зрелую структуру: центральный старый бугор, большой диск, формирующий звёзды, и спиральные рукава, что обычно наблюдается в близлежащих галактиках.

«Мы назвали эту галактику Zhúlóng, что в китайской мифологии означает 'Дракон-факел'. В мифе Zhúlóng — мощный красный солнечный дракон, который создает день и ночь, открывая и закрывая свои глаза», — говорит доктор Мэньюань Сяо, постдокторант кафедры астрономии факультета наук UNIGE и ведущий автор исследования.

Её диск простирается более чем на 60 000 световых лет и содержит более 100 миллиардов солнечных масс в звёздах. Это делает её одной из самых убедительных аналогий Млечного Пути, когда-либо найденных на таком раннем этапе, поднимая новые вопросы о том, как массивные, хорошо организованные спиральные галактики могли сформироваться так рано после Большого взрыва.

Zhúlóng была обнаружена в результате глубокого наблюдения в рамках PANORAMIC-сервиса JWST (GO-2514), широкомасштабной экстрагалактической программы, возглавляемой Кристиной Уильямс (NOIRLab) и Паскалем Оешем (UNIGE). PANORAMIC использует уникальный режим «чистой параллели» JWST для сбора высококачественных изображений.

«Это открытие подчеркивает потенциал программ чистой параллели для обнаружения редких, удалённых объектов, которые проверяют модели формирования галактик», — говорит доктор Кристина Уильямс, помощник астронома в NOIRLab и главный исследователь программы PANORAMIC.

«Это открытие показывает, как JWST кардинально меняет наше представление о ранней Вселенной», — добавляет профессор Паскаль Оеш, доцент кафедры астрономии факультета наук UNIGE и сопредседатель программы PANORAMIC.

Атакамская большая миллиметровая антенная массив (ALMA) — это выдающийся комплекс радиотелескопов, расположенный в безжизненной чилийской пустыне Атакама, который осуществляет наблюдения за электромагнитным излучением в диапазоне миллиметровых и субмиллиметровых длин волн. Обсерватория возведена на высоте 5000 метров на плато Чайнантор, что обеспечивает ей уникальные условия для астрономических исследований.

Комплекс включает 66 антенн, из которых 54 имеют диаметр 12 метров, а 12 — 7 метров. Эти антенны объединены в единую систему астрономического радиоинтерферометра, что позволяет значительно повысить разрешающую способность наблюдений. Для обработки данных, поступающих с каждой антенны, на станции установлен специализированный суперкомпьютер — коррелятор, способный выполнять впечатляющие 17 квадриллионов операций в секунду.

Основная цель обсерватории — изучение процессов, происходивших в первые сотни миллионов лет после Большого Взрыва, когда зарождалось первое поколение звёзд. С помощью ALMA планируется получить новые данные, которые помогут глубже понять механизмы эволюции Вселенной и ее структуры.

ALMA является крупнейшим и наиболее затратным астрономическим проектом, реализованным на Земле. Стоимость этого амбициозного предприятия оценивается в 1,5 миллиарда долларов, что подчеркивает его значимость и вклад в современную астрономию.

В 2021 году японские астрономы сделали поразительное открытие, обнаружив в бездонных просторах космоса два объекта с ярко выраженной линией поглощения воды. Однако определить, что именно представляют собой эти тела, ученым не удалось — проявилась недостаточная мощность телескопа, с которого проводились наблюдения. Исследователи не остановились на достигнутом и обратились к более современному инструментарию, в результате чего выяснили, что эти объекты могут быть представителями ранее не наблюдаемых типов светил.

Во Вселенной, в плотной и холодной межзвездной среде, формируются разнообразные виды льда, играющие ключевую роль в химической эволюции регионов звездообразования и образовании планетных систем. Их инфракрасный спектр содержит ценнейшую информацию о химических процессах, происходящих в межзвездном пространстве, а также предоставляет возможность глубже понять природу миров, по большей части состоящих изо льда.

В этом же 2021 году команда японских астрономов под руководством Такаши Шимониши из Университета Ниигаты обнаружила два плотных шарообразных объекта с выраженной линией поглощения льда и пыли в инфракрасном спектре, характерной для молодых звезд. Это открытие стало возможным благодаря данным японского научного спутника Akari, который осуществлял сканирование Млечного Пути в период с 2006 по 2011 год.

Оба объекта находятся примерно в одной и той же области неба, но достаточно удалены друг от друга и не имеют гравитационной связи. Эти образования либо окружены частицами льда, либо модифицированы им. При этом они располагаются вдали от известных регионов звездообразования — в тех участках космоса, где аналогичные «ледяные характеристики» кажутся совершенно невозможными.

Названные Шимониши как «Объект-1» и «Объект-2», эти тела демонстрируют спектральные признаки, присущие молодым звездам, окруженным плотными газопылевыми облаками. Однако по непонятным причинам они оказались изолированными от остальных звездообразующих областей, что вызвало вопросы относительно их формирования.

Akari не обладал необходимым разрешением для глубокого анализа энергии кванта электромагнитного излучения, что составляет важный параметр в астрономии. Таким образом, команда Шимониши осталась в неведении относительно природы этих загадочных объектов.

Теперь исследователи обратились к более мощному инструменту — комплексу наземных радиотелескопов Atacama Large Millimeter/submillimeter Array (ALMA) в чилийской пустыне Атакама. Однако и новые наблюдения не смогли предоставить конкретных ответов.

«Несмотря на всесторонние исследования, мы не можем определить, что это за тела. Они не схожи ни с одним из известных объектов», — пояснил Шимониши.

Наблюдения, проведенные с помощью системы ALMA, продемонстрировали, что эти два объекта, вероятно, относительно малы по сравнению с соседними газопылевыми облаками. Их размеры варьируются от одного до десяти размеров Солнечной системы. Химический состав этих шарообразных структур также удивил ученых: основными компонентами являются монооксид углерода (угарный газ, CO) и оксид кремния (SiO), причём концентрация последнего в несколько раз превышает первую.

Высокая концентрация оксида кремния обычно связывается с космическими взрывами, например, с выбросами вещества молодой звездой. Однако изолированность этих объектов и значительное количество льда не вписываются в рамки характеристик известных типов звезд.

Авторы исследования отметили противоречивость свойств этих объектов: с одной стороны, они достаточно холодные, чтобы на них мог сохраниться лед; с другой стороны, излучают в инфракрасном диапазоне, что чаще всего ассоциируется с теплом, как у звезд.

Одним из возможных объяснений аномальных свойств этих структур является то, что это могут быть обычные звёзды, находящиеся на фоне компактных и плотных облаков неизвестного типа, или же эти ледяные образования сформировались в условиях, ранее не известных ученым. Тем не менее, Шимониши и его коллеги больше склоняются к версии о появлении нового типа светил.

Чтобы пролить свет на природу этих загадочных объектов, японские астрономы подали заявку на использование космического телескопа «Джеймс Уэбб». Этот мощный инструмент способен проводить детальный анализ льда и пыли, а значит, поможет раскрыть причину противоречивых свойств объектов.

Результаты работы команды Шимониши представлены в статье, опубликованной на сайте электронного архива препринтов arXiv.org

Инженер машинного обучения (ML-инженер — от англ. Machine Learning Engineer) — это специалист, который разрабатывает и внедряет алгоритмы, позволяющие программам обучаться на данных и принимать решения без явного программирования. Скажем, специалист по Data Science анализирует данные и строит модели, а ML-инженер оптимизирует их и интегрирует в реальные приложения.

Профессия находится на пересечении программирования, математики, статистики и прикладного машинного обучения. ML-инженер не просто строит модель, а делает так, чтобы она эффективно работала в продакшене, обрабатывала большие объемы данных, быстро реагировала на запросы пользователей и корректно обновлялась по мере поступления новых данных.

Чем занимается ML-инженер на практике

Работа ML-инженера включает сразу несколько направлений. В первую очередь это сбор и подготовка данных. Реальный мир далек от идеала, и данные часто приходят в сыром виде: с пропусками, ошибками и несоответствиями. Инженер должен очистить их, привести к единому формату и расширить с помощью внешних источников.

Следующий этап — выбор и обучение модели. Здесь инженер выбирает один или несколько алгоритмов, проводит эксперименты, настраивает параметры, оценивает качество. Он должен понимать, как работают линейные регрессии, деревья решений, градиентный бустинг, нейронные сети и уметь выбрать нужный инструмент под задачу.

Самое сложное и ответственное начинается после того, как модель готова. ML-инженер превращает ее в часть работающего приложения. Это означает упаковку модели в API, написание серверного кода, оптимизацию по скорости и памяти, мониторинг качества в реальном времени и повторное обучение по мере необходимости. Он также работает над масштабируемостью и надежностью, так как в реальных условиях модели должны обрабатывать тысячи или миллионы запросов ежедневно.

Кроме того, инженер взаимодействует с другими специалистами: аналитиками, продукт-менеджерами, разработчиками. Он объясняет, как работает модель, какие у нее ограничения, как интерпретировать результаты. Коммуникация — неотъемлемая часть его работы.

Какие навыки и знания нужны

Чтобы стать инженером машинного обучения, нужно сочетание теоретической базы и практических навыков:

• Уверенное владение языками программирования, прежде всего Python. Большинство библиотек машинного обучения, таких как scikit-learn, TensorFlow, PyTorch, написаны именно на нем.

• Знания математики, особенно линейной алгебры, теории вероятностей и математической статистики тоже играют важную роль. Без них невозможно понять, как и почему работает та или иная модель, как интерпретировать ее поведение и где могут возникнуть ошибки. Для повторения основ у нас есть отдельный бесплатный курс базовой математики.

• Алгоритмы машинного обучения важно понимать на уровне реализаций: что такое переобучение, как работает регуляризация, какие метрики применимы для классификации, регрессии, кластеризации.

Также важно уметь работать с базами данных (SQL, NoSQL), системами хранения и обработки больших данных (Hadoop, Spark), знать основы DevOps и MLOps (Docker, CI/CD, Kubernetes, автоматизация моделей).

Плюсы и минусы профессии

➕ Востребованность и высокая оплата труда. Инженеры по машинному обучению — одни из самых востребованных специалистов в IT-сфере. Зарплаты выше среднего по рынку, особенно при наличии успешных проектов и глубоких знаний.

➕ Перспективность. ML активно применяется в медицине, финансах, ритейле, науке и других отраслях. Это дает широкие возможности для карьерного роста.

➕ Интеллектуальная работа. Работа подходит тем, кто любит решать сложные задачи и работать с данными.

➕ Богатая образовательная экосистема. По теме ML иного курсов, open-source инструментов, конференций и сообществ. Есть возможность постоянно учиться и обмениваться опытом.

➖ Высокий порог входа. Нужны глубокие знания математики, программирования, а также баз данных, алгоритмов и архитектур моделей.

➖ Работа бывает рутинной. Большую часть времени занимает обработка и подготовка данных, отладка моделей, а не изобретение революционных алгоритмов.

➖ Трудности с внедрением моделей. Не всегда удается успешно интегрировать модель в продукт. Требуются усилия по адаптации под инфраструктуру, масштабированию, мониторингу и учету бизнес-ограничений.

➖ Конкуренция. Растущая популярность профессии означает, что в крупных городах конкуренция среди кандидатов может быть высокой.

Зарплаты ML-инженеров

По данным Dream Job, средняя зарплата ML-инженеров в России за 2025 год составляет 165 000 рублей. Чаще всего зарплаты находятся в диапазоне от 100 000 до 230 000 рублей. Минимальная зафиксированная зарплата — 87 000 рублей, максимальная — 360 000.

Вилки джуниоров в машинном обучении, по данным HH Карьера, составляют от 70 000 до 110 000 рублей. Мидлов — от 220 000 до 250 000 рублей, а сеньоров — от 348 000 до 350 000 рублей.

Вот так выглядят зарплаты в профессии ML-инженер летом 2025 года.

Перспективы профессии

Машинное обучение используется в самых разных сферах: от финансов и медицины до логистики, маркетинга и развлечений. ML-инженеры разрабатывают алгоритмы для прогнозирования спроса, распознавания лиц, антифрод-систем и рекомендательных алгоритмов.

Спрос на таких специалистов продолжает расти, а уровень доходов остается одним из самых высоких на рынке. По данным исследования, наибольший спрос в сфере анализа данных и ML пришелся на последние четыре года — число предложений выросло в 2,5 раза.

Конечно, вход в профессию требует знаний, самообразования и реальных кейсов. Но те, кто готов учиться и двигаться вперед, найдут в этой области интересную работу с постоянными интеллектуальными вызовами и большими карьерными перспективами.

Как стать ML-инженером

Многие специалисты приходят в машинное обучение из смежных областей:  математики, физики, программирования, аналитики. Часто у них есть техническое образование, хотя это необязательно. Важнее — желание учиться и практиковаться.

Один из самых надежных способов — пройти профильное обучение. Это может быть вуз, где есть направления по ИИ и анализу данных, или курсы, ориентированные на практику. Онлайн-платформы предлагают мощные программы, которые можно проходить параллельно с работой или учебой.

Например, стартовать в профессии поможет онлайн-курс «Инженер машинного обучения» Практикума — за 4 месяца вы изучите полный жизненный цикл модели машинного обучения и сможете строить продвинутые ML‑модели. Вы освоите Docker, FastAPI, Airflow, MLflow, Yandex Cloud и другие инструменты, добавите 7 ML-проектов в портфолио и получите диплом о профессиональной переподготовке.

Начните учиться бесплатно!