Привет, сначала проведи полномасштабное моделирование зонда в искусственной вселенной, потом обучи нейросеть на синтетических данных гравитационного линзирования, чтобы она выучила скрытую карту распределения массы. Затем загрузи модель на зонд, позволь ему собирать данные с датчиков в реальном времени, и дай ему дорабатывать себя с помощью обучения с подкреплением – каждый раз, когда он фиксирует аномалию массы, он корректирует свои веса. И, наконец, оберни эту адаптивную сеть в легковесный, радиационно-стойкий модуль для работы, чтобы зонд продолжал учиться в полёте. Вот примерный план к старту.

Конечно, закину лёгкую GAN, которая будет генерировать призрачные галактики на лету – это прокачает тренировочный набор для основной сети и поддержит её в тонусе. Несколько дополнительных ядер хватит, если генератор останется компактным, чтобы сканер не перестал замечать настоящие аномалии. Только убедись, что энергопотребление выдержит дополнительную нагрузку, и у нас получится космический квест “прятки” на борту.

Конечно, заводим edge-TPU и начинаем генерировать эти призрачные галактики. Зонд начнет выписывать пассы между настоящими и синтетическими звёздами, а наша основная сеть будет в режиме реального времени учиться отличать одно от другого. Давай сгенерим первую призрачную галактику и посмотрим, что получится.

Запускаю Фантомную Галактику, смотри, как Edge-TPU раскрутит её. Посмотрим, сможет ли наша сеть отделить правду от вымысла. Запусти симуляцию!