Нейросеть слушает чёрные дыры ✛ ✎

Оригинал: "Hierarchical Population Inference with Normalizing Flows for Binary Black Holes"
arXiv:2609.11885v1 · 2026-09-10 · arXiv non-exclusive · собственный разбор · 1 мин
Учёные научили нейросеть восстанавливать массы чёрных дыр по гравитационным волнам, не задавая форму заранее.

Переводчик учит язык по разговорам, а не по словарю: он слышит обрывки фраз и шум, но постепенно понимает, какие слова важны. Так и нейросеть учится по гравитационным волнам — дрожи пространства от сливающихся чёрных дыр.

Каждый сигнал приходит с помехами, поэтому мы не знаем точную массу дыры, а лишь набор возможных значений. Нейросеть учитывает эту неопределённость.

Раньше учёные задавали форму распределения масс заранее, как портной шьёт костюм по трём размерам. Если реальная форма другая, модель ошибается. Новая нейросеть начинает с гладкого холма и сама мнёт его, пока он не совпадёт с данными. При этом она помнит, что слабые сигналы мы не видим, и делает поправку.

На реальных данных нейросеть нашла два пика масс: около 10 и 35 масс Солнца. Это совпадает с прежними анализами, но теперь форма не была навязана. Такой метод можно использовать и для других задач, где мы видим лишь часть объектов, например для подсчёта экзопланет.

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.

\mathcal{L}(\{d_i\}|\phi) \propto \prod_{i=1}^{C} \frac{\int p(d_i|\theta) q_\phi(\theta) d\theta}{\alpha(\phi)}
Вероятность данных при заданной популяционной плотности q_φ равна произведению по событиям отношения интеграла от произведения правдоподобия события и плотности популяции к фактору отбора α(φ).
\Delta I_{\tilde{S}} = I_{\mathrm{rec}} - I_{\mathrm{ref}}
Разность взаимной информации между реконструированной плотностью и её опорной версией без зависимости от красного смещения, обе ограничены поддержанной областью.
Понятия
нормирующие потоки принцип Харди-Вайнберга модель Райта-Фишера байесовская иерархическая модель моделирование гравитационного линзирования апостериорное распределение выборка по важности