Нейросети с физическими ограничениями научились восстанавливать гравитационный потенциал галактик
Группа астрофизиков разработала новый подход к моделированию гравитационного потенциала галактик на основе физически-информированных нейронных сетей (PINN). Работа опубликована на сервере препринтов arXiv и представляет готовый открытый пакет GalactoPINNS.
Гравитационный потенциал галактики — ключевая характеристика, отражающая распределение массы, историю формирования и структуру гало тёмной материи. Точные модели важны для интерпретации движений звёзд, орбитальной динамики и влияния спутников, таких как Большое Магелланово Облако.
Традиционные аналитические потенциалы просты и интерпретируемы, но не справляются со сложными неосесимметричными структурами и возмущениями. Нейросетевые методы, напротив, захватывают сложность, но остаются «чёрным ящиком». Новая работа предлагает компромисс: нейросеть обучается на измерениях ускорений, встраивая физические ограничения, что позволяет воспроизводить мелкомасштабные особенности при сохранении глобальной физической согласованности.
Тестирование проводилось на системах возрастающей сложности — от контролируемых аналитических гало до космологических симуляций галактик, похожих на Млечный Путь. Ошибки ускорений составили менее одного процента, а качество восстановления орбит стабильно превзошло аналитические базовые модели.
Дополнительно авторы внедрили байесовскую нейронную сеть для пространственно-калиброванных оценок неопределённости, а также временное расширение для моделирования плавной эволюции потенциала. Аналитическая модель используется как структурированный априорный источник, а нейросеть учит поправки поверх него, сохраняя интерпретируемость.
Разработка особенно актуальна в эпоху крупных обзоров неба (Gaia, LSST), где объём данных требует новых инструментов для динамического вывода. GalactoPINNS доступен как открытое программное обеспечение и уже готов к применению для моделирования Млечного Пути.
