Астрономы сталкиваются с огромной проблемой обработки данных от современных телескопов, при этом большинство предупреждений являются ложными срабатываниями. Специализированные модели машинного обучения, такие как CNN, используемые для классификации этих событий, часто не обладают объяснимостью, действуя как «черные ящики». Это исследование посвящено использованию Gemini от Google, мультимодальной модели, для классификации астрономических событий и предоставления объяснений. Исследователи использовали обучение с небольшим количеством примеров, используя только 15 размеченных примеров на каждый обзор для обучения Gemini. Gemini достигла точности 93% на трех наборах данных, что сопоставимо со специализированными моделями, при этом объясняя свои рассуждения простым языком. Модель генерирует текстовые объяснения и оценки интереса, превращая ее в прозрачный инструмент, который помогает ученым. Астрономы-люди просмотрели классификации Gemini, посчитав его объяснения последовательными и полезными. Важным открытием стала способность Gemini оценивать свою собственную неопределенность, отмечая потенциальные ошибки. Эта возможность позволяет использовать рабочий процесс с участием человека, фокусируя внимание ученых. Благодаря итеративной обратной связи точность модели на наборе данных MeerLICHT улучшилась. Этот подход представляет собой шаг к научным открытиям, основанным на объяснимом ИИ. Технология может быть быстро адаптирована для новых инструментов и исследований в различных областях. Предполагаемые «агентные помощники» могли бы интегрировать данные, оценивать уверенность и расставлять приоритеты в открытиях. Проект направлен на расширение возможностей исследователей, чтобы задавать следующий великий научный вопрос с помощью доступного ИИ.