CausticFlow: нейросеть мгновенно обнаруживает скрытые планеты и чёрные дыры ✛ ✎ ✦

Оригинал: "CausticFlow: An Efficient Machine Learning Framework Combining Neural Differential Equations and Normalizing Flows for Binary Microlensing Parameter Inference"
· Haibin Ren, Wei Zhu
arXiv:2607.04955 · 2026-07-06 · arXiv non-exclusive · собственный разбор · 1 мин
По слабому мерцанию звезды CausticFlow за секунду определяет, прячется ли за ним планета-изгой или чёрная дыра.

Эффект гравитационного линзирования, предсказанный Эйнштейном и применённый для поиска невидимых объектов Цвикки, похож на капли дождя, рисующие очертания невидимого предмета на оконном стекле. Свет далёкой звезды, проходя мимо скрытой планеты или чёрной дыры, изгибается, и на снимках телескопа возникает меняющийся узор яркости. Раньше, чтобы восстановить по этому узору массу и положение невидимки, астрономы тратили часы, перебирая множество вариантов.

CausticFlow — нейросеть, прошедшая тренировку на миллионах примеров — справляется за секунду. Ей показали бессчётное число искусственных световых картин от разных объектов, и теперь она мгновенно находит в библиотеке подходящий шаблон. Даже если телескоп записал лишь пару капель этого узора, CausticFlow по ним восстанавливает весь силуэт.

Удивительно: нейросеть не нуждается в том, чтобы планета или другой объект излучали хоть какой-то свет — она видит их только по искажениям фона. На реальных наблюдениях программа верно определяет параметры в семи случаях из десяти и уже готова к массовому поиску в данных с Хаббла и Уэбба. Это откроет дорогу к исследованию жизни звёзд, рождения новых светил и даже кандидатов в тёмную материю.

CausticFlow способен восстановить событие по отрывочному графику яркости — как мозг достраивает фразу с пропущенными буквами.

Поиск скрытых тел по слабым световым искажениям — почти сюжет из трилогии «Задача трёх тел», где так выслеживали инопланетные цивилизации. CausticFlow делает то же, но ищет не пришельцев, а чёрные дыры и планеты-странники.

\theta_E = \sqrt{\kappa M_L \pi_{\text{rel}}}
θE — угловой радиус Эйнштейна, ML — масса линзы, πrel — относительный параллакс линза-источник, κ — константа ~8.144 мсд/М⊙. Формула связывает гравитационное линзирование с массой и расстояниями.
\hat{p}(\theta|D) = p_u(f^{-1}(\theta; c)) \left|\det\frac{\partial f^{-1}(\theta; c)}{\partial \theta}\right|
pu — базовое гауссово распределение, f^{-1} — обратное преобразование потока, |det| — модуль якобиана, корректирующий изменение объёма. Позволяет вычислить плотность апостериорного распределения в нормализующих потоках.
Учёные
Fritz ZwickyBohdan PaczyńskiJascha Sohl-Dickstein
Понятия
нормирующие потоки контрастивное обучение нейронные сети прогностического обучения стохастическое моделирование вычислительная гидродинамика обучение распознавание образов матрица ошибок алгоритм Метрополиса-Хастингса реконструкция микролинзирования нейронной сетью кластеризация методом k-средних вероятностная модель система отсчёта методы регуляризации гауссовский процесс случайный лес распределение Пуассона параметр бутстрэп резервуарные вычисления