Нейросеть ускорила анализ межгалактического газа: CNN для Ly?-леса

Международная группа исследователей разработала нейросетевой метод анализа Ly?-леса — последовательности линий поглощения водорода в спектрах далеких квазаров. Работа опубликована на сервере препринтов arXiv (идентификатор 2607.05494).

Ly?-лес традиционно изучают с помощью подгонки профилей Фойгта — точного, но крайне медленного процесса, требующего больших вычислительных ресурсов. Новая модель на основе сверточной нейронной сети (CNN) способна одновременно определять наличие поглотителя, его столбцовую плотность, доплеровский параметр и положение линии непосредственно из спектра.

Обучение проводилось на синтетических спектрах, сгенерированных по данным космологического симулятора IllustrisTNG. Разметку для обучения создавали с помощью кода подгонки VIPER. На тестовых симуляциях CNN достигла F1-меры около 0,8, средняя абсолютная ошибка для логарифма столбцовой плотности составила 0,18, для доплеровского параметра — 0,10. Сеть хорошо воспроизвела функцию распределения столбцовых плотностей и соотношение между доплеровским параметром и плотностью.

При переносе на реальные спектры высокого разрешения с телескопа VLT (спектрограф UVES) точность снизилась: F1-мера упала до 0,5, ошибки выросли до 0,34 и 0,21 соответственно. Анализ скрытого пространства сети показал значительный сдвиг между распределениями симулированных и наблюдательных данных, что и стало причиной ухудшения. Тем не менее, CNN сохранила основные статистические свойства Ly?-леса: наклон функции распределения плотностей совпал с результатами VIPER, а среднеквадратичное отклонение нижней огибающей соотношения b-N составило 2,96 км/с.

Для оценки неопределенности предсказаний исследователи применили технику Monte Carlo dropout во время вывода. Это позволяет получать не только значения параметров, но и их вероятностные распределения. Авторы подчеркивают, что метод масштабируем и подходит для обработки данных будущих крупных обзоров, таких как DESI, WEAVE и 4MOST, где объем спектров будет измеряться миллионами.

Работа демонстрирует, что глубокое обучение способно заменить трудоемкие классические алгоритмы, хотя для работы с реальными данными требуются дополнительные усилия по адаптации модели. В ближайших планах — обучение на смешанных наборах симулированных и реальных спектров для улучшения переносимости.