Нейросеть ускоряет рождение галактик экспресс

Оригинал: "A graph-based Neural Network surrogate model for accelerating semi-analytical model of galaxy formation and evolution"
arXiv:2604.23147 · 2026-04-25 · CC BY 4.0 · 1 мин
Искусственный интеллект научился предсказывать характеристики галактик по истории роста тёмной материи.

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.

Модель обучена на данных симуляции Uchuu и охватывает почти всю историю космоса — от юной Вселенной до наших дней.

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.

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.

Учёные
Fritz ZwickyRashid Alievich SunyaevJames JeansVera RubinSubrahmanyan ChandrasekharAdam Riess
Понятия
картирование галактик нейронной сетью графовая нейронная сеть механизмы роста галактик генеративная модель причинность по Грейнджеру графы генетический алгоритм большие языковые модели моделирование на суперкомпьютере химическая галактическая археология карликовые галактики с дефицитом тёмной материи процессы эволюции галактик темп звездообразования звёздная модель случайный лес звёздное население генеративно-состязательные сети предсказание молекулярных свойств материалы на основе машинного обучения IllustrisTNG