Переводчик учит язык не по словарю, а по живым разговорам: он слышит обрывки фраз, шум улицы, разные акценты. Из этого хаоса он собирает правила, которые не записаны ни в одной книге. Так и здесь: вместо того чтобы втискивать массы чёрных дыр в заранее готовую форму, нейросеть слушает сами сигналы и сама выводит, как эти массы распределены.
Обычный подход напоминает портного, который шьёт костюм по трём размерам и надеется, что он сядет на любого клиента. Параметрические модели задают пики и изломы заранее, а потом лишь подгоняют их высоту. Но если реальное распределение имеет неожиданный горб или провал, такая модель его просто не увидит. Нормализующий поток работает иначе: он начинает с гладкого холма и постепенно мнёт его, как пластилин, пока форма не совпадёт с данными.
Проверка на двух симулированных каталогах показала: метод различает, менялась ли популяция чёрных дыр со временем, или оставалась неизменной. Когда в данные встроили эволюцию пика масс, диагностика дала положительный сдвиг, а для стационарной модели — около нуля. Это как если бы переводчик по интонации понял, что говорящие из разных поколений используют разные слова.
На реальных данных GWTC-5.0 нейросеть увидела два знакомых пика: около 10 и 35 масс Солнца. Это согласуется с официальным анализом коллаборации, но здесь форма не была навязана заранее. Диагностика для реальных данных оказалась близкой к нулю, то есть нет свидетельств, что распределение масс менялось с красным смещением.
Такой инструмент пригодится не только для чёрных дыр. Любая наука, где объекты наблюдают с шумом и не всех видят, может использовать этот подход: от подсчёта экзопланет до демографии сверхновых. Переводчик, который учится по разговорам, а не по словарю, однажды сможет понять любой акцент Вселенной.
В кампании инъекций для GWTC-5.0 было сгенерировано 1.57 миллиарда сигналов, из которых только 1.34 миллиона прошли порог обнаружения, что соответствует примерно одному «выжившему» на тысячу сгенерированных.