Как нейросеть «услышала» танец невидимых звёзд ✛ ✦

Оригинал: "Neural posterior estimation of Galactic Binary signals for the LISA mission"
arXiv:2606.29039 · 2026-06-27 · CC BY 4.0 · 1 мин
Нейросеть научилась за секунду определять свойства двойных звёзд, которые скоро будет слушать будущий космический детектор LISA.

Новая космическая обсерватория LISA — огромный лазерный прибор — будет улавливать гравитационные волны, рябь пространства-времени, от десятков тысяч пар белых карликов — выгоревших звёзд размером с Землю. Каждая пара испускает свой ритмичный сигнал, но вместе они сливаются в неразборчивый гул, напоминающий какофонию оркестра перед концертом.

Саму концепцию таких волн предложил Эйнштейн, а первый наземный детектор LIGO создавался при участии Вайсса.

Обычному компьютеру, чтобы выделить каждый источник, пришлось бы перебирать варианты часами. Нейросеть, обученная на миллионах виртуальных моделей с помощью машинного обучения, справляется мгновенно. Она, словно опытный дирижёр, расслушивает каждый инструмент в шуме: определяет скорость вращения пары, расстояние до неё и положение на небе.

На 10 тысяч сигналов уходит меньше секунды — это быстрее, чем один оборот самых стремительных звёздных пар.

Такой анализ позволяет быстро проследить судьбу белых карликов, рождение нейтронных звёзд и чёрных дыр, ускоряя понимание звёздной эволюции и устройства галактики.

Некоторые пары белых карликов кружатся так близко, что делают полный оборот за несколько минут. Их танец постепенно ускоряется — и это выдаёт их массу и расстояние.

Напоминает сцену из романа Станислава Лема «Глас Господа»: там герои тоже пытались выделить осмысленный сигнал из хаоса.

A = \frac{2 (G M_c)^{5/3}}{c^4 d_L} (\pi f_0)^{2/3}
Связывает амплитуду с чирп-массой, расстоянием и частотой; ключевая для оценки параметров источника.
\dot{f}_0 = \frac{96}{5} \pi^{8/3} \left(\frac{G M_c}{c^3}\right)^{5/3} f_0^{11/3}
Позволяет определить чирп-массу и расстояние независимо от амплитуды, если измерена эволюция частоты.
Учёные
Bernhard RiemannJoseph WeberKarl SchwarzschildKip ThorneRainer WeissAlbert Einstein
Понятия
вложенная выборка байесовское свидетельство нелинейный спектральный анализ Лапласиана лиза гиббсовская выборка алгоритм Метрополиса-Хастингса апостериорное распределение байесовский вывод априорное распределение максимальное правдоподобие усреднение сигнала оценка максимального правдоподобия нормирующие потоки линейная регрессия реконструкция микролинзирования нейронной сетью бутстрэп статистический анализ гауссовский процесс метод Монте-Карло метод наименьших квадратов