Рентгеновский телескоп на орбите годами записывал, как светятся двойные системы, где вокруг чёрной дыры или нейтронной звезды крутится обычная звезда. Вещество с соседки падает на компактный объект, разогревается до миллионов градусов и испускает рентген. В архиве накопились тысячи спектров — графиков, сколько света приходит на каждой энергии. Отличить по такому графику чёрную дыру от нейтронной звезды под силу опытному астроному, но вручную перебирать архив слишком долго.

Исследователи обучили нейросеть на этих спектрах. Первая версия получала только яркости на разных энергиях — сотни чисел. Вторая — те же яркости плюс погрешности измерений. Обе научились угадывать тип объекта с точностью 90–94%. Но как именно сеть принимает решение, оставалось загадкой: для неё спектр — просто длинный ряд цифр.

Первое — температура диска: насколько сильно разогрето падающее вещество. Второе — наклон степенного хвоста: он показывает, как быстро убывает яркость с ростом энергии. Третье — соотношение вкладов диска и хвоста: кто доминирует в свечении. Четвёртое — насколько хорошо модель описывает данные. Пятое — разброс яркости от наблюдения к наблюдению. Эти пять параметров отражают физику аккреции — процесса, при котором вещество закручивается и падает на компактный объект.

Затем собрали третью нейросеть, которая видела не спектры, а только эти пять чисел. Точность осталась на том же уровне. Значит, сети действительно опираются на понятные астрофизические признаки, а не на случайные шумы в данных. Метод не привязан к конкретному спутнику: те же пять параметров можно извлечь из данных других рентгеновских телескопов, нынешних и будущих. Так машина не просто ставит диагноз, но и объясняет его на языке, знакомом астроному.