Нейросеть ускоряет рождение галактик экспресс
Изучение рождения галактик требует моделирования миллиардов лет роста тёмной материи и звездообразования — даже суперкомпьютеры справляются с этим медленно. Решение пришло из области машинного обучения: нейросеть, подобно опытному кондитеру, по «рецепту» слияний тёмной материи мгновенно оценивает будущую галактику — её массу, яркость, химический состав. Обучение на тысячах виртуальных вселенных позволило достичь почти идеального совпадения с реальными расчётами.
Неожиданный вывод: детали внутренних процессов оказались второстепенны. Судьба галактики практически полностью записана в истории её тёмной материи. Точность попадания достигает 97%, а скорость позволяет за часы проверить тысячи сценариев расширения Вселенной, приближая нас к пониманию космической эволюции.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2604.23147
Understanding how galaxy populations emerge and evolve from the growth of dark matter structure is a central challenge in galaxy formation theory. Semi-analytic models (SAMs) provide an efficient framework to address this problem, but exploring large ensembles of merger trees across broad parameter spaces remains computationally demanding. We develop a conditional graph neural network surrogate model that combines merger tree information with SAM parameters to predict galaxy properties across cosmic time. Using merger trees of dark matter halos from the Uchuu simulation and the Galacticus SAM, the model predicts stellar mass, luminosity, angular momentum, gas metal mass, and specific star formation rate across the wide redshift range of 0 <= z <= 5. For instance, the model can predict stellar mass at 0 <= z <= 3 with a scatter of 0.19-0.28 dex and coefficient of determination R^2 of 0.946-0.973 (R^2 close to 1 indicates prediction closely matching the truth). The results show that a single graph based model can reproduce these galaxy properties with good accuracy over multiple SAM realizations, merger trees and redshifts. This catalog-level model provides a practical route for accelerating SAM based studies of galaxy formation to enable a more detailed investigation of the model parameter space. The inference code, trained models, and example data products are publicly available at https://github.com/MutongCat/sam2galaxy-gnn.
Самые далёкие галактики сформировались, когда Вселенной было меньше миллиарда лет. Их судьба была предопределена лишь слияниями невидимой тёмной материи — видимые звёзды просто следовали этому сценарию.
Как и «психоистория» Азимова, нейросеть предсказывает судьбу галактик по математическим закономерностям — только вместо цивилизаций здесь тёмная материя.