Выделить сигнал от одной пары сверхмассивных чёрных дыр — всё равно что расслышать шаги танцора в грохоте урагана. Где-то в космосе эти монстры кружатся в медленном гравитационном танго, искажая само пространство-время. Их гравитационные волны — не резкие всплески, как у LIGO, а глубинное дыхание метрики, растянутое на годы. Услышать его пытаются пульсарные тайминговые массивы — сети радиотелескопов, следящих за космическими метрономами: миллисекундными нейтронными звёздами. Открытые Джоселин Белл Бернелл в 1967-м, они тикают точнее атомных часов, и проходящая гравитационная волна сдвигает ритм их импульсов на жалкие десятки наносекунд. Но сигнал от индивидуальной пары чёрных дыр тонет в шуме: нужно учесть десятки пульсаров, параметры орбиты, релятивистские поправки и капризы самих «часов». Классические методы типа MCMC неделями блуждают по многомерному ландшафту вероятностей. Новая работа вдыхает в этот процесс вторую жизнь.

Идея в том, чтобы наделить машинное обучение не просто вычислительной мощью, а физическим чувством ритма. Архитектура трансформера — той самой, что лежит в основе языковых моделей, — получила «позиционные кодировки» нового типа. Вместо абстрактных синусоид модель питается мгновенной орбитальной фазой системы. Фаза — как дирижёрская палочка, задающая такт всему оркестру пульсарных сигналов. Её вычисляют с учётом пост-ньютоновских поправок до третьего порядка, потому что в сильном поле чёрных дыр танец ускоряется: по квадрупольной формуле излучения, предсказанной Эйнштейном, орбиты сжимаются, отдавая энергию волнам. Иерархический трансформер сначала вслушивается в ритм каждого пульсара по отдельности, а затем улавливает тончайшие корреляции между ними — единый «звуковой» портрет гравитационной волны. Финальное сжатое представление поступает в нормализующий поток — генеративную модель, которая учится превращать простое гауссово облако в причудливое апостериорное распределение параметров: масс, периодов, эксцентриситетов. Поскольку реальная фаза наблюдателю неизвестна, параллельно работает сеть-дешифратор, восстанавливающая её из зашумлённых данных. Так нейросеть обретает интуицию небесного механика.

Эффект от фазовой «интуиции» ошеломляет. На синтетических данных с белым шумом физически-агностичный трансформер выдавал логарифмическую плотность в истинной точке –1.197 (в стандартизированном пространстве), а с предсказанной фазой она взлетела до +0.805. Для байесовского вывода это не цифры, а прозрение: апостериорное облако вероятности съёживается вокруг правильных параметров — особенно для эксцентриситета и периода, самых чувствительных к фазовому танцу. На малых выборках (десятки тысяч примеров) физически-информированная модель даёт подавляющее преимущество; на полумиллионе оба подхода сближаются, но обученный «дирижёр» выдаёт тысячи выборок за секунды — то, на что MCMC тратит дни. Предсказатель SNR (отношения сигнал/шум) имеет R² ≈ 0.93 — форма и сила сигнала восстанавливаются почти без потерь. Это всё равно что, вглядываясь в рябь на пруду, восстановить траекторию упавшей капли до сантиметра.

Эта работа — не просто бенчмарк глубокого обучения. Она доказывает, что индуктивное смещение, подкреплённое физикой, превращает чёрный ящик нейросети в прозрачный инструмент. Трансформер с фазовыми кодировками учится «рассуждать» в терминах орбитальной механики, а не слепо подгонять функции. Модульность позволяет легко добавлять новые слои шума — красный шум пульсаров, вариации дисперсии, стохастический фон — не жертвуя скоростью. Впереди переход к реальным данным коллабораций, где радиотелескопы накопили многолетние архивы. Возможно, именно такие методы помогут наконец выделить отдельные эксцентричные пары из гравитационного гула — и тогда, подобно тому как Рассел Халс и Тейлор косвенно доказали существование гравитационных волн, мы откроем новую главу в понимании эволюции сверхмассивных чёрных дыр и природы сильной гравитации. По сути, мы учимся слушать дыхание Вселенной.