Учёные нашли способ точнее изучать чёрные дыры с помощью машинного обучения

Гравитационно-волновые обсерватории, такие как LIGO и Virgo, десятилетиями фиксируют рябь пространства-времени от слияний чёрных дыр и нейтронных звезд. Однако новое исследование международной группы учёных выявило скрытую проблему: традиционный метод анализа данных может искажать результаты.

Оказывается, ошибка кроется в простом действии — присвоении объектам в двойных системах меток «1» и «2» на основе их массы. Этот подход, похожий на сортировку деталей без учёта их взаимосвязей, в 10% случаев приводит к неверной интерпретации, словно автономный автомобиль путает пешехода с дорожным знаком.

До сих пор астрофизики маркировали объекты в каждой паре отдельно, ориентируясь лишь на их массу — более тяжёлый становился «объектом 1», лёгкий — «объектом 2». Но гравитационные волны несут информацию не только о массе, но и о спине (вращении) объектов, а также их природе. Упрощённая маркировка, как выяснилось, создаёт систематические искажения — например, «смазывает» данные о спине или мешает отличить нейтронную звезду от чёрной дыры.

Команда предложила решать проблему не для каждого события по отдельности, а анализировать все данные разом, используя алгоритмы машинного обучения, учитывая контекст всего массива данных.

Такой подход — группировка данных с учётом дополнительных условий — позволил устранить до 50% неточностей в измерении спинов чёрных дыр. Распределения параметров стали более предсказуемыми, исчезли «паразитные» пики и длинные «хвосты» в данных. Например, если раньше некоторые результаты напоминали помехи, то теперь они стали чёткими. Это упрощает идентификацию природы объектов: в спорных случаях станет легче определить, где чёрная дыра, а где нейтронная звезда.

По оценкам учёных, пересмотр данных LIGO/Virgo с новым методом может изменить интерпретацию каждого десятого события. Это важно для понимания эволюции двойных систем — например, как пары чёрных дыр формируются и сливаются в условиях экстремальной гравитации. В ближайшие годы подход планируют внедрить в анализ данных обсерваторий следующего поколения, таких как KAGRA и будущий Cosmic Explorer.

 Источник: arXiv