Гравитационное микролинзирование — единственный метод, чувствительный к экзопланетам земной массы и свободно плавающим мирам, не привязанным к звёздам. Ещё в 1980‑х Богдан Пачиньский показал, что микролинзирование можно использовать для поиска тёмных объектов, а сегодня космический телескоп Нэнси Грейс Роман готовится к обзору 200 миллионов звёзд в направлении галактического балджа. Ожидается около 1400 связанных экзопланет и 250 планет-странников. Для проверки сценариев формирования и выброса необходима полнота выборки в самом коротком и слабом режиме — именно там, где классические алгоритмы дают сбои.
Архитектура объединяет общий трансформерный энкодер, обрабатывающий нерегулярные временные ряды с помощью механизма внимания, и две специализированные головы. Детекционная ветвь — Evidence Network — обучается на бинарных метках (сигнал/шум) с помощью l‑POP‑экспоненциальной функции потерь и выдаёт калиброванный байесовский фактор. Инференс-ветвь — Neural Posterior Estimation — использует маскированный авторегрессионный поток для прямого моделирования апостериорного распределения. Обе головы разделяют одно и то же векторное представление, извлечённое трансформером из padded-последовательностей (1000 шагов, три канала: время, поток, ошибка). Для обучения сгенерировано 100 000 синтетических кривых блеска модели FSPL с численным моделированием и аугментациями: гапы пропускания, выпадения точек и фотометрический шум. Весь пайплайн реализован средствами машинного обучения и симуляционного инференса.
На тестовой выборке из 5 000 событий Evidence Network при пороге log₁₀K > 0.8 обнаружила 4 996 сигналов (99.9%) и ни одного ложного среди 5 000 шумовых кривых (95% верхняя граница FP < 6×10⁻⁴). Для сравнения, жёсткие критерии Johnson et al. (2020), Sumi et al. (2011) и Mróz et al. (2017) дают 95.9%, 93.9% и 95.4% соответственно — даже с использованием истинных («оракул») параметров при расчёте статистик. Наибольшее преимущество проявляется при ρ ≳ 5, где доля обнаруженных событий ∼95% против ∼65% у жёстких критериев. Апостериорные распределения параметров хорошо откалиброваны (TARP-тест), а процедура занимает ∼21 мс на событие — ускорение в ∼16 000 раз по сравнению с MCMC.
Замена детерминированных порогов на вероятностные байесовские факторы позволяет гибко настраивать баланс между полнотой и чистотой выборки в зависимости от научной задачи. Особенно важно, что новый метод практически устраняет «слепую зону» для событий с сильным конечным источником — именно там, где формируется популяция свободно плавающих планет с массами вплоть до земных. Калиброванные апостериорные оценки параметров каждого события открывают путь к иерархическому анализу распределения объектов в Галактике.
Метод может быть расширен на бинарные линзы, которые производят более сложные каустические картины. Другое направление — включение в обучение астрофизических ложных срабатываний (вспышки, затменные переменные) и реалистичных шумов для работы с реальными данными Roman. Планируется также скользящее окно для длительных событий и иерархический байесовский анализ на уровне популяции.
Методика применима ко всему классу задач поиска транзиентов на нерегулярных временных рядах — от сверхновых до переменных звёзд, — где требуется быстрое принятие решений с контролируемой неопределённостью.
Ближайшие шаги включают валидацию на реальных данных существующих обзоров (OGLE, MOA) и адаптацию к инженерии данных Roman.
Работа затрагивает нерешённую проблему формирования и распространённости свободно плавающих планет, а также в более широком смысле — проблему автоматической классификации транзиентов в крупных обзорах.
Этот раздел адресован автору работы и его коллегам. Соседние работы нашёл смысловой поиск по нашему архиву — не по совпадению слов, а по смыслу. Мы не рецензируем: мы показываем поле вокруг.
Что сделано в работе
Авторы построили нейросетевой пайплайн для детекции и оценки параметров событий гравитационного микролинзирования. Трансформерный энкодер обрабатывает нерегулярные временные ряды, а две головы — Evidence Network и Neural Posterior Estimation — выдают байесовский фактор и апостериорное распределение параметров. На синтетических данных метод достигает почти идеальной полноты, особенно для событий с сильным конечным источником, и ускоряет оценку параметров на порядки по сравнению с MCMC.
В чём сила
Объединение детекции и инференса в одной архитектуре с разделяемым представлением позволяет гибко настраивать баланс полноты и чистоты, а калиброванные апостериорные распределения и байесовские факторы дают прямой вероятностный контроль ошибок. Это особенно ценно для коротких и слабых событий, где классические пороговые методы теряют чувствительность.
Куда можно двигаться
Что можно попробовать
Почему это может быть важно
Если предложенные направления позволят сохранить высокую полноту и чистоту на реальных данных, это приблизит нас к надёжной переписи популяции свободно плавающих планет земной массы и проверке сценариев их формирования и выброса.
Работы рядом в нашем архиве
Ближайшая работа архива — 0.64 по смысловой близости. Обычный для нашего корпуса уровень.
Самое короткое событие микролинзирования от свободно плавающей планеты может длиться всего несколько часов, но наш «дозорный» успевает его засечь.
«Планета-странник» Грега Бира: блуждающие миры, которые могли бы быть обнаружены методикой работы.