Дозорный с картой: охота на планет-странников ✛ ✎

Оригинал: "Microlensing Detection and Inference via Learned Bayes Factors"
arXiv:2607.20260v1 · 2026-07-22 · arXiv non-exclusive · собственный разбор · 2 мин
Нейросеть-дозорный мгновенно находит гравитационные вспышки и выписывает параметры линз — в 16 000 раз быстрее классических методов.

Двести миллионов звёзд. В центре Галактики, куда нацелится будущий обзор телескопа Нэнси Грейс Роман, примерно 250 раз за миссию свет одной из них дрогнет от невидимого прикосновения. Это свободно плавающие планеты — миры, выброшенные из родных систем, — и экзопланеты земного типа, кружащие у далёких солнц. Их выдаёт лишь краткое гравитационное усиление — эффект микролинзирования, предсказанный общей теорией относительности и превращённый в телескопический инструмент Богданом Пачиньским сорок лет назад.

Поймать такую вспышку — всё равно что заметить в толпе мимолётную улыбку. Классические алгоритмы действуют как дозорный с жёсткой инструкцией: сигнал считается найденным, если он пересёк порог по нескольким фотометрическим статистикам. Проблема в том, что самые короткие события — от планет земной массы — длятся часы и размываются конечным размером звёздного диска. Пороговая инструкция здесь бессильна, событие ускользает. Работа предлагает дать дозорному карту — нейросеть, которая напрямую оценивает не «да/нет», а полную вероятностную картину.

Короткая вспышка от планеты-странника может уместиться в несколько часов — быстрее, чем перерыв между сменами дозорного.

Картографом служит трансформерный энкодер. Он принимает нерегулярный ряд измерений — время, поток, ошибку, — дополняет их до тысячи шагов и извлекает единое представление с помощью механизма внимания. На этом рельефе работают две «головы». Первая — Evidence Network — обучается различать сигнал и шум прямо по бинарным меткам и выдаёт калиброванный байесовский фактор — число, показывающее, во сколько раз данные вероятнее при наличии линзы. Вторая — Neural Posterior Estimation — использует маскированный авторегрессионный поток, чтобы мгновенно моделировать апостериорное распределение параметров: масса, расстояние, поперечная скорость. На обучение ушло 100 000 синтетических кривых блеска, полученных численным моделированием FSPL с фотометрическим шумом и реалистичными пропусками данных. Вся сборка — от симуляции до инференции — выстроена на машинном обучении.

Оценка параметров одного события занимает 21 миллисекунду. Классический MCMC-алгоритм на том же процессоре провозится полтора часа — ускорение в 16 000 раз.

Испытание на 5 000 событий показало: карта замечает 99.9% сигналов, не породив ни одной ложной тревоги (верхняя граница FP < 6×10⁻⁴). Старые пороговые критерии — даже с доступом к идеальным параметрам — теряли до трети событий. Особенно разителен контраст при ρ ≳ 5, когда диск звезды-источника сравним с углом Эйнштейна: здесь эффективность взлетает с 65% до 95%. Это как раз тот режим, где прячутся самые лёгкие и быстрые свободно плавающие планеты. Благодаря калиброванным апостериорам каждый пойманный странник получает паспорт без дополнительных вычислений — а значит, можно строить честную демографическую картину тёмного населения Галактики. Дозорный с картой готовится к выходу на рекордный обзор. И когда Roman начнёт присылать поток данных, в центре Млечного Пути, где прежде видели лишь мерцающий шум, он прочертит точные линии невидимых миров.

Самое короткое событие микролинзирования от свободно плавающей планеты может длиться всего несколько часов — меньше, чем ночной сон.

В романе Грега Бира «Планета-странник» блуждающие миры несут угрозу; методика работы обещает превратить их из пугающей неизвестности в объекты точной науки.

K = \frac{p(x \mid \mathcal{M}_1)}{p(x \mid \mathcal{M}_0)}
Отношение правдоподобий сигнальной и шумовой моделей после учёта всех возможных значений параметров.
Учёные
Isaac NewtonJohn MichellRobert HookeDavid CharbonneauBohdan Paczyński
Понятия
байесовское свидетельство реконструкция микролинзирования нейронной сетью гравитационное микролинзирование фактор Байеса байесовский вывод вложенная выборка максимальное правдоподобие оценка максимального правдоподобия нейронные сети прогностического обучения отбор событий алгоритм Метрополиса-Хастингса материалы на основе машинного обучения распознавание образов моделирование гравитационного линзирования обнаружение астрофизических сигналов линзирование тёмной материи обнаружение аномалий ошибка предсказания апостериорное распределение выборка по важности