Вообразите: филармонический оркестр играет, но микрофон ловит лишь слитный гул — tutti, в котором смешались контрабасы, флейты и литавры. Похожую задачу десятилетиями решают физики, вглядываясь в поля плотности, температуры или магнитной индукции. В этих многомасштабных средах — от турбулентной плазмы до межзвёздного газа — скрыты вложенные структуры, но без партитуры неясно, какой инструмент за что отвечает. Классические методы либо усредняют данные до спектров, теряя пространственную организацию, либо навязывают шаблоны вроде поиска волокон по градиентам. А что, если нейросеть сама выучит партитуру, вслушиваясь в шум?

ScaleAware-JEPA действует как виртуозный дирижёр, способный «расслушивать» отдельные партии. Сначала поле подвергается диффузионному разложению (CDD) — данные размываются во времени, и каждый момент задаёт свой масштаб, подобно тому как художник расфокусирует фон, чтобы проявить крупные формы.

Затем нейросеть с архитектурой JEPA учится предсказывать закрытые участки, но не в исходных пикселях, а в компактном латентном пространстве — абстрактном представлении, где сходство определяется не геометрией, а морфологией. Ключевая хитрость: размер маски, скрывающей данные, привязан к масштабу компоненты. Мелкие детали требуют маленького контекста (как пассаж у флейты-пикколо), а крупные — обширного (как медленная тема у тубы). Так сеть, подобно Риману, прозревавшему многомерные пространства, сплетает локальное с глобальным в единую картину.

Испытали на трёх примерах. Численное моделирование сжимаемой магнитогидродинамической турбулентности, где плазма подчиняется уравнениям Максвелла (объединившим электричество и магнетизм, — вклад Максвелла) и уравнениям Навье-Стокса. Сеть видела только плотность, но её латентное пространство без подсказок разделилось на магнитные и кинетические структуры — раньше их различали лишь по данным о магнитном поле. Второй пример — карта ночных огней Чэнду: алгоритм, не зная понятия «город», сам отделил яркие центры, дороги и диффузные окраины. Третий — молекулярный газ в галактике NGC 3627, наблюдаемый телескопом ALMA. Здесь проявился настоящий латентный атлас: компактные облака — колыбели звёздообразования, волокнистые пылевые туманности и протяжённые диффузные поля.

Главный урок: осмысленная репрезентация рождается из данных, а не инструкций. Там, где нет готовых фазовых диаграмм, латентные атласы становятся компасом. Удивительно, что магнитное пересоединение и турбулентные каскады оставляют отпечаток в обычной плотности — многие физические процессы скрыто записаны в том, что мы видим. Кто знает, не обнаружит ли алгоритм закономерности, которые мы ещё не выразили уравнениями? В перспективе — обобщение на трёхмерные данные и время: статические карты превратятся в фильмы эволюции. Слияние с физически информированными сетями (куда вшиты уравнения Максвелла или законы сохранения) усилит интерпретируемость. Подход приживётся не только в астрофизике, но и в климатологии, материаловедении, урбанистике — везде, где данные предстают непрерывными полями.