Астрономы, словно повара, долго готовили описание Вселенной по одним и тем же громоздким рецептам. Эти рецепты — сложные математические формулы — оценивали, сколько галактик разной светимости и массы наполняет космос, а также как распределены невидимые фундаменты из тёмной материи. Но точность блюд хромала. Тогда на кухню позвали цифрового шеф-повара — алгоритм ESR. Он протестировал миллионы вариантов из простых действий: сложения, умножения, возведения в степень.
Результат поразил: выяснилось, что для идеального результата не нужны навороты. Простые зависимости — например, «чем ярче галактика, тем их меньше» — работают точнее, если убрать искусственные поправки. Это как обнаружить, что для круассана хватает трёх ингредиентов, а вкус лучше, чем у сложного рецепта. Теперь астрономы смогут быстрее собирать пазл истории галактик и уточнять стандартную космологическую модель.
как её написали авторы, на английском arXiv:2604.23236
The galaxy luminosity and stellar mass function (LF, SMF), and halo mass function (HMF), are fundamental quantities in astrophysics and crucial inputs to a range of astrophysical and cosmological analyses. They are typically parametrised by fitting functions that have been chosen "by eye" to match observed or simulated data. We apply symbolic regression -- specifically the Exhaustive Symbolic Regression (ESR) algorithm -- to automate the search for optimal LF, SMF and HMF functional forms. ESR scores all functions up to a maximum complexity composed of a user-defined basis set of operators using the description length, an approximation to the Bayesian evidence that balances accuracy with complexity. We find many functions outperforming the Schechter and double Schechter functions for the LF and SMF, and that outperform the Press--Schechter and Warren/Tinker functions for the HMF. By additionally imposing "physicality checks" on functions' extrapolation and integration properties, we identify the optimal, low-complexity functional forms in terms of accuracy, simplicity and behaviour beyond the data range. As well as providing drop-in replacements for literature LF, SMF and HMF fitting functions, and identifying robust behaviour across well-fitting functions, we present a framework with which symbolic regression may be used to automate the discovery of optimal functions for any astrophysical dataset.
Маленьких и тусклых галактик во Вселенной гораздо больше, чем гигантских ярких — как подберёзовиков в лесу по сравнению с вековыми дубами.
Как в романе «Автостопом по галактике» суперкомпьютер искал Ответ на главный вопрос, так и этот алгоритм ищет идеальный рецепт для космоса — только вместо философии получаются точные уравнения.