Нейросеть как картограф гравитации: точная карта распределения тёмной материи в галактиках ✎ 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.

Звёзды на окраинах галактик вращаются быстрее, чем предсказывают законы небесной механики, если учитывать только видимую материю — светящиеся газ и звёзды. Этот парадокс обнаружили в XX веке Вера Рубин и Фриц Цвикки, измеряя скорости звёзд по доплеровскому смещению спектральных линий. Объяснением стала гипотеза о невидимой массе — тёмной материи, которая не излучает и не поглощает свет, но создаёт дополнительное гравитационное поле, удерживающее звёзды от разлёта. Чтобы картировать её распределение, астрономам необходимы сверхточные гравитационные карты, отражающие мельчайшие флуктуации притяжения.

Новый метод превращает нейросеть в картографа, работающего по принципу: простая физическая модель гравитации служит «контурной картой», задающей грубый рельеф, а нейросеть, обученная на данных наблюдений, прорисовывает детали — «холмы» и «низины» гравитационного потенциала, где реальность отклоняется от упрощённой модели.

Результат — не просто готовая карта, а карта с пометками о надёжности: нейросеть сама указывает, где гравитация просчитана чётко, а где остаётся «туманно», то есть велика неопределённость прогноза.

Точность впечатляет: на тестовых моделях, где истинное распределение массы известно, ошибка предсказания составила лишь 0.14%. Эта аналогия помогает ощутить масштаб: всё равно что определить высоту Эвереста с погрешностью в пару метров. Реальные данные с телескопа JWST, способного заглядывать сквозь пылевые завесы и наблюдать далёкие галактики в инфракрасном диапазоне, станут идеальной основой для таких карт.

Самый неожиданный результат — карта неуверенности нейросети, то есть области, где её прогноз «дрожит», в точности повторяет предполагаемое расположение тёмной материи. Таким образом, именно там, где алгоритм сомневается, прячется невидимое вещество, искажающее гравитационное поле.

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