Новый метод тренировки нейросетей улучшил оценку космологических параметров

Астрофизики из группы, работающей над методами машинного обучения, представили в архиве препринтов arXiv новый подход к тренировке нейросетей для статистического вывода. Исследование, опубликованное под идентификатором 2608.12470, решает проблему неточных оценок апостериорных распределений вблизи границ тренировочной области.

При подготовке крупных симуляционных кампаний параметры часто выбираются равномерно из некоторого ограниченного диапазона. Из-за резкой границы такого распределения нейросети, обученные на этих данных, дают заметные ошибки при восстановлении вероятностных распределений вблизи краёв. Это ограничение особенно критично, когда оцениваемые параметры близки к краям допустимой области.

Вместо жёсткого ограничения авторы предложили расширять тренировочную область с помощью «хвостов» — плавно убывающих распределений. Новый семейство распределений получило название Tailed-Uniform. Оно добавляет к исходной равномерной коробке дополнительные точки данных, которые постепенно становятся всё менее вероятными по мере удаления от границы.

Эксперименты показали, что обученные с таким подходом нейросети значительно точнее восстанавливают апостериорные распределения как внутри исходной области, так и за её пределами. Причём преимущества растут с увеличением размерности задачи: в многомерных пространствах границы занимают гораздо большую долю объёма, что делает базовый равномерный подход особенно уязвимым.

Метод протестирован на игрушечной задаче и на реальной космологической проблеме — выводе параметров по спектру мощности материи. Во всех случаях использование Tailed-Uniform позволило уменьшить ошибки у границ без ухудшения качества внутри области.

Авторы отмечают, что даже если в качестве априорного распределения предполагается равномерное, полезно добавлять дополнительные симуляции вблизи его краёв, чтобы нейросеть лучше «понимала» поведение модели при приближении к границе. Это относительно простое изменение может повысить достоверность многих будущих анализов космологических данных.

Работа носит методический характер и не претендует на революцию в космологии, однако она способна ускорить получение более надёжных результатов в целом классе задач, где используются симуляции и машинное обучение.