Машинное обучение выявило скрытые ошибки в анализе сверхновых LSST
Исследователи из коллаборации, готовящейся к наблюдениям на Обсерватории Веры Рубин (LSST), предложили новый метод аудита для оценки точности симуляций сверхновых. Работа, опубликованная на arXiv, представляет supervised машинное обучение для проверки так называемого closure — того, насколько хорошо модели воспроизводят наблюдаемые данные.
Современный анализ космологии сверхновых опирается на сквозные симуляции: они обучают фотометрические классификаторы, описывают селекционные эффекты, проверяют модели кривых блеска и калибруют поправки на смещение расстояний. Стандартные тесты closure, основанные на глобальных диаграммах Хаббла, могут пропускать многомерную структуру, остающуюся после коррекции.
Авторы применили алгоритм LightGBM к симуляциям сверхновых типа Ia LSST. В наборах M23 (Mitra et al., 2023) с спектроскопическими и фотометрическими красными смещениями и M25 (Mitra et al., 2025) одномерные диагностики по бинам красного смещения объясняли менее 1% остаточной дисперсии (R? < 0.01), что создавало ложное впечатление о закрытии. Однако out-of-fold модели LightGBM восстановили до 98,2% дисперсии в смоделированных невязках (R? = 0.982), демонстрируя структурированную предсказуемость невязок.
Тот же аудит применён к реальным данным спектроскопического образца Dark Energy Survey 5 Year (DES 5YR), где модель достигла R? = 0.725. Анализ важности признаков с помощью SHAP показал высокую согласованность между независимыми моделями M25 и DES (коэффициент корреляции Спирмена ? = 0.802). Доминирующими предикторами оказались видимые звёздные величины, отношение сигнал/шум и красное смещение.
Предложенный метод формирует диагностический протокол для сравнения смоделированных и реальных наблюдений, выявляя неполное закрытие до раскрытия космологических параметров. Это позволит избежать систематических ошибок при интерпретации данных LSST, которые ожидаются в ближайшие годы.
