Нейросеть улучшила точность оценки космологических параметров в 2–3 раза
Астрофизики из международной коллаборации представили новый метод обработки данных космологических обзоров. В работе, опубликованной на arXiv, они использовали нейронную сеть для создания «умных» маркированных статистик, которые позволяют извлекать максимум информации о распределении материи во Вселенной.
Классические методы анализа, основанные на двухточечных статистиках (например, спектре мощности), не учитывают нелинейные эффекты, возникающие при гравитационной эволюции структуры. Маркированные статистики частично решают эту проблему, перевзвешивая поле плотности с помощью нелинейных функций. Однако их эффективность ограничена простотой этих функций.
Авторы работы предложили обучать нейросеть генерировать такие маркировки, которые оптимально отражают зависимость от космологических параметров. Используя контрастное обучение, алгоритм выравнивает представления данных с параметрами ?? (плотность материи) и ?? (амплитуда флуктуаций).
Применение neural mark к данным до волнового числа k=0.2 h/Мпк позволило сузить ограничения на ?? в 2.9 раза, а на ?? — в 1.8 раза по сравнению с лучшими классическими маркировками. Это существенно ослабляет известную вырожденность между этими параметрами. Среднеквадратичная ошибка параметров уменьшилась в 1.45 раза.
Кроме того, анализ латентного пространства нейросети показал, что его оси уверенно соответствуют направлениям ?? и ?? в пространстве параметров. Это означает, что метод не только точен, но и интерпретируем — физики могут понять, как именно нейросеть «видит» космологическую информацию.
Новый подход открывает перспективы для обработки данных будущих обзоров, таких как LSST и Euclid. Ученые ожидают, что neural mark позволит извлекать больше информации из нелинейных режимов, не прибегая к сложным и дорогим симуляциям.
Работа демонстрирует, как современные методы машинного обучения могут быть интегрированы в фундаментальную науку, повышая эффективность анализа при сохранении физической интерпретируемости.
