Нейросеть повысила точность космологических измерений по данным телескопа eROSITA

Международная группа исследователей представила новый метод статистического анализа скоплений галактик, основанный на симуляционном выводе (Simulation-Based Inference, SBI) и графовых нейронных сетях. Работа опубликована в репозитории arXiv и посвящена обработке данных обзора неба телескопа eROSITA, установленного на российской обсерватории «Спектр-РГ».

Скопления галактик — крупнейшие гравитационно связанные структуры во Вселенной. Их количество и распределение по массам напрямую зависят от космологических параметров, таких как плотность материи (?m) и амплитуда флуктуаций плотности (?8). Обзор eROSITA содержит каталог из 3259 скоплений, что дает беспрецедентную статистическую мощность.

Авторы разработали реалистичный генератор синтетических данных, учитывающий эффекты селекции и наблюдательные ограничения. На основе этих симуляций они обучили нейросеть на множестве (set-based GNN), которая извлекает информацию из каждого скопления без необходимости сжимать данные в бинированные статистики.

Ключевой особенностью подхода стало использование графовых нейронных сетей, способных учитывать взаимосвязи между объектами. Это позволило сохранить всю доступную информацию о скоплениях и улучшить точность оценки параметров. Результаты показали, что метод восстанавливает исходные космологические параметры в пределах погрешностей и проходит калибровочные тесты.

Средняя точность составила 11,5% для ?m и 4,4% для ?8. Эти показатели сравнимы с точностью традиционных методов MCMC, но достигаются на существенно меньшем объеме данных. Для сравнения: классический подход требовал выборки в несколько раз большего размера.

Разработанный фреймворк легко расширяется на более сложные модели и дополнительные наблюдательные данные. По мнению авторов, это открывает путь к следующему поколению анализов крупномасштабной структуры Вселенной с использованием будущих рентгеновских обзоров.

Метод демонстрирует потенциал SBI и машинного обучения для космологии. Дальнейшее применение нейросетей позволит извлекать максимальную информацию из данных, не жертвуя точностью, и приблизиться к пониманию темной материи и темной энергии.