Веками астрономы всматривались в ночное небо, ловя малейшие изменения блеска звёзд. Эти неравномерные ряды — кривые блеска — словно нотные станы: каждая звезда исполняет свою уникальную мелодию. Но сегодня потоки данных с телескопов вроде обзора Веры Рубин (LSST) превратились в оглушительную какофонию — миллиарды «записей» еженощно. Ручная расшифровка этих космических партитур, основанная на признаках времён Сесилии Пейн-Гапошкиной, стала невозможной. На помощь приходит машинное обучение, но как научить алгоритм понимать язык пульсирующих светил?

Новая работа предлагает элегантное решение: вместо единственного ракурса модель смотрит на звезду через три «линзы». Первый ракурс — сырой временной ряд: неравномерные наблюдения создают рваный ритм, будто мелодия с пропущенными тактами. Второй — периодограмма (спектр Ломба–Скаргла): она разлагает хаос на гармоники, словно аккорд, выявляющий доминирующую частоту. Третий — фазовая кривая, свёрнутая по лучшему периоду: чистый ритмический рисунок, форма самого «бита» звезды. Архитектура LeJEPA не анализирует их порознь — она заставляет три проекции «звучать в унисон». Самодистилляция без учителя выравнивает скрытые представления каждого ракурса, и модель улавливает инвариантную суть звезды, игнорируя шум. Два ключевых новшества встраивают физическую интуицию прямо в «слух» модели. Непрерывное вращательное позиционное кодирование (C-RoPE) помечает время отсчёта не позицией в массиве, а реальной астрономической датой. Представьте: длительности нот записываются не тактами от начала партитуры, а абсолютным временем — это делает представление трансляционно-инвариантным. А Error-Aware Numeric Embedding (EANE) относится к измеренной яркости не как к точке, а как к размытому гауссову облачку. Если телескоп сообщает «звезда сияет на 15.2, но погрешность велика», модель усредняет эмбеддинги по вероятному диапазону, и шум перестаёт обманывать. Так рождается нечто вроде музыкального слуха: алгоритм учится слышать космос подобно тому, как младенец впитывает родную речь — без готовых правил, погружаясь в паттерны.

Результаты ошеломляют. На бенчмарке StarEmbed (десятки тысяч реальных кривых блеска из обзора Catalina Surveys) мультиракурсная модель превзошла тщательно сконструированные экспертные признаки по 15 из 16 метрик — независимо от классификатора. Настоящий триумф — в сценарии с минимальной разметкой. Всего один пример на класс переменных звёзд даёт макро-F1 42.5% против 30.3% у ручного подхода. При 100 примерах точность достигает 63.6%, уверенно обгоняя классику. Это доказывает: алгоритм действительно выучил физически осмысленное представление, а не запомнил данные. Визуализации латентного пространства показывают, как классы объектов — от цефеид до сверхновых, продукты звёздной эволюции — сами собираются в компактные острова, хотя модель не видела меток.

Эта работа — не просто улучшение классификации. Она знаменует сдвиг от кустарной инженерии признаков к автоматическому конструированию физически мотивированных энкодеров. В перспективе, интегрируя дифференцируемую периодограмму и обучаемое фазовое сложение, можно полностью исключить ручной этап — модель сама откроет скрытые периодичности. А объединив фотометрию со спектроскопией от телескопов класса JWST, мы научимся слышать «тембр» звезды — её химический состав и температуру — и даже замечать крошечные провалы от экзопланет. Такие инструменты напрямую влияют на точность космологических расстояний через стандартные свечи и красное смещение, уменьшая напряжённость в постоянной Хаббла и проясняя природу тёмной энергии. Это открывает путь к статистическому изучению звёздообразования и галактической эволюции, а в перспективе — к решению обратных задач численного моделирования в масштабах больших данных.