Нейросеть чертит точную гравитационную карту галактик ✎ экспресс

Оригинал: "Physics-Informed Neural Networks for Modeling Galactic Gravitational Potentials"
arXiv:2602.01806 · 2026-02-02 · arXiv non-exclusive · собственный разбор · 1 мин
Объединив физику и нейросеть, учёные создали сверхточную гравитационную карту галактик.

📄 Показана версия «Просто» — «Подробно» пока не готова. Добавьте ★ в избранное, если хотите её ускорить.

Звёзды на окраинах галактик вращаются быстрее, чем полагается по законам физики, если считать только видимую материю. Этот парадокс вскрыли в XX веке Вера Рубин и Фриц Цвикки. Ответом стала гипотеза о невидимой массе — тёмной материи, которая окутывает галактики и усиливает притяжение. Чтобы найти её точное расположение, астрономам нужны сверхточные гравитационные карты.

Новый метод превращает нейросеть в картографа. Она берёт простую физическую модель гравитации, как контурную карту, и по данным наблюдений прорисовывает детали рельефа — холмы и низины притяжения.

Результат — не просто готовая карта, а карта с пометками о надёжности: где гравитация просчитана чётко, а где ещё «туманно».

Точность впечатляет: на тестовых моделях ошибка составила лишь 0.14% — это как определить высоту Эвереста с погрешностью в пару метров. Реальные данные с телескопа JWST станут идеальной основой для таких карт.

Самый неожиданный результат — карта неуверенности нейросети в точности повторяет расположение тёмной материи. Выходит, именно там, где «дрожит» прогноз, прячется невидимое вещество.

Тёмная материя создаёт невидимый гравитационный ландшафт: звёзды, словно шарики, катятся по его склонам.

Учёные
Fritz ZwickyVera RubinSubrahmanyan ChandrasekharAdam RiessJohn Archibald WheelerNancy Grace Roman
Понятия
физически информированная нейронная сеть моделирование физики с помощью нейронных сетей вероятностная модель обобщение предсказание молекулярных свойств устойчивое машинное обучение межатомный потенциал, обученный машинным обучением уравнение геодезических большие языковые модели языковая модель белков ускорение молекулярной динамики байесовский вывод автоэнкодер стохастическое моделирование гауссовский процесс квантовоподобные модели обучающие данные обучение квантовая теория поля в искривлённом пространстве-времени симплектическая геометрия