Как услышать трещинку в ткани мироздания экспресс
Симфония звучит, но в партитуру вкралась едва заметная фальшивая нота. Примерно так физики ищут отклонения от общей теории относительности в «звуках» Вселенной — гравитационных волнах от слияния чёрных дыр. Эти волны, словно круги на воде от брошенного камня, расходятся по ткани пространства-времени и доходят до детекторов на Земле.
Авторы новой работы построили «тренажёр фальшивых нот»: взяли 173 реальных события из каталога гравитационно-волновых наблюдений и создали их точные копии по уравнениям Эйнштейна. Затем в эти копии аккуратно вносили искажения — крошечные сдвиги фазы, которые могли бы возникнуть, если гравитация устроена чуть сложнее, чем мы думаем. Получился набор «чистых» и «испорченных» сигналов для обучения нейросети.
Такой подход повысил чувствительность классификации в 33 раза по сравнению с обычным анализом очищенных сигналов. Нейросеть училась на этих разностных портретах и находила едва уловимые узоры — коллективные признаки отклонений, которые не видны глазу и не ловятся простыми статистическими методами. В итоге алгоритм смог надёжно выявлять эффекты массивной гравитации — теории, где частицы-переносчики тяготения обладают крошечной массой порядка 10⁻²³ электронвольт. Для сравнения: это в триллион триллионов раз легче нейтрино.
Метод не просто ищет иголку в стоге сена — он учится распознавать саму форму иголки среди соломинок, даже если та слегка погнута. И когда-нибудь эта настройка слуха поможет физикам расслышать ту самую фальшивую ноту в симфонии мироздания.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2605.02453
We present a machine learning framework for testing general relativity (GR) with gravitational wave signals from binary black hole mergers. Using the source parameters of 173 BBH events from the GWTC catalog as a realistic astrophysical population, we generate simulated GR waveforms and construct beyond GR (BGR) waveforms by applying controlled phase deformations. We introduce a response function formalism that provides a systematic framework for quantifying how any observable responds to modifications of GR. We train convolutional neural networks (CNNs) on two input representations: whitened waveforms and a response function type observable derived from the waveform mismatch, which isolates the effect of phase deviations from the bulk signal. Using response functions as the CNN input improves the classification sensitivity by a factor of approximately 33 compared to whitened waveforms, demonstrating that the choice of observable representation is as important as the classifier architecture. We study the fundamental limits of this classification through Bayes optimal error analysis, averaging methods that reveal coherent patterns hidden in noise, and a comparison between CNN accuracy and a single feature classifier as a proxy for human performance. At all deformation scales, the CNN outperforms the best single feature approach. We extend the framework to physically motivated theories using the parameterized post Einsteinian (ppE) formalism and apply it to massive gravity, where the classifier detects deviations for graviton masses of order $$m_g \sim 10^{-23}\;\mathrm{eV}/c^2$$ with aLIGO design sensitivity.
Чувствительность детекторов aLIGO такова, что они могут заметить изменение длины четырёхкилометрового плеча на тысячную долю диаметра протона — это всё равно что измерить расстояние до ближайшей звезды с точностью до толщины человеческого волоса.
Идея «неправильной» гравитации обыгрывается в романе Питера Уоттса «Эхопраксия»: там гравитационные волны несут информацию из параллельных вселенных, а их искажения — ключ к контакту.