Вглядитесь в ночное небо — перед вами не россыпь огней, а многослойная рукопись. Под яркими чернилами звёзд и галактик проступает блёклый, почти стёртый текст. Это послание тёмной материи, начертанное гравитационным линзированием: невидимые массы искажают свет далёких галактик, оставляя едва заметные водяные знаки на космическом пергаменте. Десятилетиями астрономы — от Фрица Цвикки до Веры Рубин — искали улики её существования, а Эйнштейн ещё в 1930-х предсказал сам эффект. Но чтобы расшифровать этот скрытый слой, нужно измерить «сдвиг» — систематическое изменение форм галактик. Раньше это требовало кропотливой работы: отдельно опознать каждую галактику, точно замерить её эллиптичность, а затем учесть размытие атмосферой и шум детектора. Словно средневековый монах, счищающий верхний слой букв скальпелем.

Новый подход — нейронная апостериорная оценка (NPE) — действует иначе. Он не скребёт поверхность, а сразу прочитывает весь лист, различая сквозь шумы и искажения скрытую правду. Обучаясь на синтетических вселенных — реалистичных симуляциях будущего обзора LSST с многодиапазонной фотометрией (фильтры riz), переменной функцией рассеяния, звёздами и артефактами матриц — глубокая нейросеть учится напрямую превращать пиксели в вероятностное распределение сдвига. Миллионы виртуальных космосов, рождённых в численных симуляциях, становятся полигоном для машинного обучения, где оттачивается умение автоматически отбрасывать мешающие факторы без явных формул. Так детекция, разделение, измерение и калибровка сливаются в единый неявный акт — нейронный палеограф, освоивший почерк темной материи.

Испытания показали впечатляющую точность. Даже при добавлении насыщенных звёзд с «усиками» дифракции и артефактов ПЗС среднеквадратичная ошибка (RMSE) держалась на уровне ~0,0016–0,0019, а коэффициент корреляции Пирсона превышал 0,99. Классический алгоритм AnaCal давал больший разброс. При этом апостериорные интервалы оказались отлично откалиброваны: эмпирическое покрытие 90% доверительных областей почти точно совпадало с номинальным, а значит, нейросеть не просто угадывает, но честно сообщает о своей неуверенности. По сути, она выдает не просто число, а меру своего незнания — критичный навык, когда каждый пиксель может содержать ключ к природе тёмной энергии. Мерой систематики остаётся уравнение \(\hat{\gamma}_j^n = (1+m_j)\gamma_j^n + c_j\), где мультипликативное смещение \(m_j\) и аддитивное \(c_j\) в новом методе стремятся к нулю. Иными словами, оценки близки к истине без традиционной цепочки калибровочных поправок.

Этот прорыв означает, что анализ космологических обзоров можно радикально упростить. Проекты четвёртой стадии — LSST, Euclid, Roman — насчитают многие миллиарды галактик, и малейшая систематика способна исказить выводы о тёмной энергии и расширении Вселенной. Нейросетевой подход способен переработать такие объёмы данных, напрямую превращая пиксели в карты тёмной материи и — при знании красного смещения — в трёхмерную томографию. Мы входим в эпоху, когда палимпсест будет читаться автоматически и безостановочно, а ручные калибровки останутся в архивах.

Впереди главный вызов: расхождение между симулятором и реальным небом. Сдвиг распределения может подорвать точность, поэтому следующие шаги — диагностика неспецификации модели и приёмы устойчивого байесовского вывода. Одновременно создаются всё более детальные симуляторы с переменным сдвигом и конвергенцией, и тогда NPE сможет прямо реконструировать поле плотности тёмной материи на уровне пикселей, минуя каталоги. Ведь пока неизвестно, является ли тёмная материя частицами или модификацией гравитации — и точная карта линзирования даст решающий ответ. В перспективе мы научимся читать не только двухмерный, но и трёхмерный текст тёмной материи, узнав наконец, из чего же на самом деле сделан скрытый палимпсест нашей Вселенной.