في غرفة مظلمة تعزف موسيقى. على الأرض متناثر مسحوق ناعم يكاد لا يُرى. الترددات المنخفضة تجعله يتجمع في أنماط غريبة: خيوط، تكتلات، فراغات. وبنفس الطريقة تقريبًا، تعمل الجاذبية على مدى مليارات السنين على نسج المجرات في الشبكة الكونية — لكن بدل الموجات الصوتية، هنا يعمل التجاذب. لفهم "اللحن" الذي بدأ به كل شيء، علينا إرجاع الزمن إلى الوراء: من النمط النهائي إلى الحفنة الأولى من المسحوق. هذه هي مهمة استعادة الشروط الأولية للكون.

المحاكاة الحاسوبية التقليدية ثقيلة جدًا لمثل هذا المسار العكسي. فهي تحسب بدقة كل دفعة جاذبية، لكن التكرار الواحد قد يستغرق ساعات. الطرق التقريبية أسرع، لكنها تقتطع الزوايا — تفقد تلك الديناميكية الدقيقة التي تولد فيها الهالات. يقدم مؤلفو العمل حلاً وسطًا: خلية آلية بدماغ شبكة عصبية. نموذج LNCA (الخلية العصبية الآلية اللاغرانجية) لا يتتبع شبكة كثافة ثابتة، بل يتتبع جسيمات المادة نفسها ويتحرك معها. يتعلم فقط تصحيح تخمين تقريبي لكنه فيزيائيًا ذو معنى — تقريب زيلدوفيتش (Zeldovich approximation). إلى هذا الأساس، يضيف النموذج إزاحات متبقية دقيقة. هكذا تُحفظ الدقة على المقاييس الكبيرة، بينما ترسم التفاصيل الصغيرة عبر التعلم.

سر التوفير يكمن في المحلية. كل خلية في الآلية تحدّث حالتها بالنظر فقط إلى جيرانها الأقربين، وتفعل ذلك خطوة بخطوة. النتيجة ليست مجرد لقطة نهائية، بل تاريخ الحركة كله — مثل تصوير متتابع لرقصة حبيبات الغبار. قواعد هذه الرقصة تدور وتنزاح مع المادة: البنية تمتلك تكافؤًا دورانيًا وإزاحيًا (rotational and translational equivariance). الدقة النهائية مذهلة. حتى مقاييس تبلغ حوالي 12 ميغابارسيك (نحو 40 مليون سنة ضوئية)، لا يتجاوز خطأ النموذج بضعة في المئة. هذا بندول موثوق لإرجاع الزمن — من الشبكة الحالية إلى البداية شبه المتجانسة.