JADE: ИИ-детектив, читающий космическую паутину по следам света ✛ ✦

Оригинал: "Joint inference of weak lensing convergence map and cosmology with diffusion models"
arXiv:2606.31988 · 2026-06-30 · CC BY 4.0 · 3 мин
Метод JADE на основе диффузионных моделей одновременно восстанавливает карты тёмной материи и измеряет параметры Вселенной по данным слабого гравитационного линзирования.

Свет от далёких галактик идёт к нам миллиарды лет, но на пути его ломает и выгибает невидимая паутина тёмной материи. Этот эффект, предсказанный Эйнштейном в рамках общей теории относительности, называют гравитационным линзированием. Ещё в 1930-х Фриц Цвикки заподозрил, что в скоплениях прячется незримая масса, а позже Вера Рубин доказала её повсеместность по бешеному вращению галактик. Сегодня мы собираем колоссальные данные о когерентных искажениях форм миллиардов галактик — это слабое линзирование, и оно превращает всё небо в один чуткий детектор космической паутины.

Традиционно из этих данных извлекали лишь усреднённые корреляции, но это как пытаться восстановить лицо человека по расплывчатому силуэту на запотевшем стекле — теряются тонкие черты, морщины и родинки, несущие главную информацию. Негауссовы узоры — вихри и сгустки, рожденные гравитационным коллапсом, — хранят ключи к тайне ускоряющегося расширения Вселенной и природе тёмной энергии. Метод JADE действует иначе. Он сразу берётся за полную картину: обучаясь на сотнях тысяч численных симуляций космических полей, диффузионная модель учится обращать искажения вспять, шаг за шагом снимая гравитационную пелену. В сердце архитектуры — трансформер, который переплетает пиксели карты с шестью космологическими параметрами, словно нейро-полиглот, свободно говорящий на языке образов и алгебре констант. Результат — не одна карта, а целая галерея вероятных вселенных, где каждый сэмпл рождает согласованную реализацию поля массы.

Для обучения JADE потребовалось всего 100 000 симуляций, в то время как один запуск MCMC для одного наблюдения требует порядка миллиона вызовов симулятора. Генерация одного апостериорного сэмпла занимает всего 0.2 секунды.

Проверка на смоделированных данных обзора LSST Y10 показала блестящие результаты: восстановленные томографические срезы красного смещения не только верно воспроизводят спектр мощности (с ошибкой около 7%), но и, словно по отпечаткам невидимой ладони, точно передают однобарическое распределение — прямую меру негауссовости. Космологические параметры, включая плотность тёмной материи Ωc, амплитуду флуктуаций σ8 и уравнение состояния тёмной энергии w0, сошлись с классическими цепями MCMC так, словно загадка, решённая разными сыщиками, привела к одному подозреваемому. Ключевой прорыв — отказ от дифференцируемого симулятора. Раньше приходилось упрощать физику до дифференцируемых игрушек; теперь JADE принимает тяжеловесные N-тела и гидродинамические коды как есть, не жертвуя честным байесовским выводом. Это как если бы детективу наконец разрешили использовать весь арсенал улик, а не только простые отпечатки пальцев.

Все проверки проводились покадрово: для каждого сэмпла параметров генерировалась независимая симуляция, подтверждая внутреннюю согласованность вероятностного портрета Вселенной.

Перспективы JADE простираются далеко за пределы плоских карт. Следующий шаг — адаптация к полной небесной сфере и включение в анализ градиентов прямых симуляторов, когда они станут доступны. Архитектура уже поглядывает на многозондовый анализ, готовая сплести воедино линзирование, скопления галактик и реликтовое излучение, и даже восстановить начальные условия — те квантовые семена, из которых выросла космическая паутина. Ведь в негауссовых узорах скрыто до половины всей информации о тёмной энергии, и JADE впервые извлекает её без компромиссов. Это приближает нас к мечте космологов: не просто измерить параметры, но заглянуть в скрытую геометрию мироздания по искажённому свету далёких звёзд, словно увидеть фильм о том, как невидимое становилось видимым.

Для обучения модели потребовалось всего 100 000 симуляций, в то время как один запуск MCMC для одного наблюдения требует порядка миллиона вызовов симулятора. Генерация одного апостериорного сэмпла занимает всего 0.2 секунды.

Как в «Ложной слепоте» Питера Уоттса, где чужаки выдают себя лишь рябью на фоне, JADE выуживает тёмную материю из фоновой ряби линзирования.

\kappa(\boldsymbol{\vartheta}) = \frac{3 H_0^2 \Omega_m}{2c^2} \int_0^{\chi_{\lim}} d\chi \, \frac{q(\chi)}{a(\chi)} f_K(\chi) \delta(f_K(\chi) \boldsymbol{\vartheta}, \chi)
Уравнение (1) из статьи: сходимость как взвешенный интеграл от контраста плотности вдоль луча зрения.
\tilde{\kappa}_E + i\tilde{\kappa}_B = \left( \frac{k_1^2 - k_2^2}{k^2} + i \frac{2k_1 k_2}{k^2} \right) (\tilde{\gamma}_1 + i\tilde{\gamma}_2)
Уравнение (3): связь между сдвигом и сходимостью в фурье-пространстве в плоском приближении.
Учёные
Fritz ZwickyVera RubinRoberto D. PecceiHelen QuinnR. Brent TullyBohdan Paczyński
Понятия
слабое гравитационное линзирование апостериорное распределение глубокое обучение в медицинской визуализации слабое обучение моделирование гравитационного линзирования сопоставление медицинских изображений с геномными данными метод наименьших квадратов однопиксельная визуализация матрица ошибок диффузионные модели интегральный спектрометр символьная регрессия реконструкция микролинзирования нейронной сетью сходимость композитный анализ вложенная выборка диффузионная МРТ складной нож (джекнайф) метод отбора авторегрессионная модель