Как нейросеть помогает увидеть невидимую материю ✛ ✎ ✦

Оригинал: "Neural Posterior Estimation for Inferring Weak Lensing Shear"
arXiv:2607.09867 · 2026-07-10 · arXiv non-exclusive · собственный разбор · 1 мин
Нейросеть напрямую оценивает, как темная материя искажает далекие галактики, без долгой настройки приборов.

Свет далеких галактик, проходя мимо скоплений темной материи, искривляется, как в неровном стекле. Это явление, предсказанное Эйнштейном и подтверждённое Цвикки и Рубин, позволяет взвешивать невидимые структуры. Но точно измерить искажение — всё равно что по размытым теням угадать кривизну стекла. Обычно для этого строят цепочку: находят галактики, измеряют вытянутость, настраивают приборы. Учёные обучили нейросеть на десятках тысяч искусственных снимков из компьютерных моделей. Сеть смотрит на снимок в нескольких цветах и сразу выдаёт, насколько и куда искривлён свет. Причём справляется за секунды — раньше уходили месяцы. Метод объединяет все шаги в один и не требует знать дефекты телескопа: сеть учится их игнорировать. Точность позволяет строить карты темной материи и понимать, как темная энергия управляет расширением Вселенной. Для будущих обзоров с миллиардами галактик на разных расстояниях такой подход станет незаменим.

Будущий телескоп LSST сфотографирует столько галактик, что если бы каждая была песчинкой, хватило бы засыпать футбольное поле слоем в несколько сантиметров.

Подобно тому, как в романе «Спин» таинственное поле искажает свет звезд, темная материя меняет пути лучей от далеких галактик.

\hat{\gamma}_j^n = (1+m_j)\gamma_j^n + c_j
Связь между истинным сдвигом и его оценкой; m_j и c_j — мультипликативная и аддитивная составляющие смещения, которые новый метод сводит к минимуму без явной калибровки.
Учёные
Fritz ZwickyVera RubinRoberto D. PecceiHelen QuinnR. Brent Tully
Понятия
поляриметрия с нейронными сетями картирование галактик нейронной сетью глубокое обучение в медицинской визуализации вложенная выборка слабое гравитационное линзирование моделирование гравитационного линзирования классификация изображений однопиксельная визуализация слабое обучение апостериорное распределение предсказание молекулярных свойств цифровая обработка изображений символьная регрессия байесовский вывод складной нож (джекнайф) численное моделирование спектроскопия с подавлением шума вычитание шума интерполяция максимальное правдоподобие