Карта Вселенной быстрее и без потери точности: как эмуляторы ускоряют изучение космической паутины

Если галактика кажется вам огромной, представьте масштабы Вселенной: это всего лишь крошечная точка, которая вместе с миллиардами других точек формирует скопления, объединяющиеся в сверхскопления. Те, в свою очередь, образуют нити и пустоты, создавая гигантский трёхмерный скелет мироздания — «космическую паутину».

Если от этого зрелища кружится голова, и вы задаётесь вопросом, как вообще можно понять или «увидеть» нечто столь необъятное, ответ прост: это крайне сложно. Учёные объединяют физические законы, данные астрономических инструментов и теоретические модели, такие как EFTofLSS (Эффективная теория поля крупномасштабной структуры). На основе наблюдений эти модели статистически описывают «космическую паутину» и позволяют оценить её ключевые параметры.

Однако расчёты с использованием EFTofLSS требуют колоссального времени и вычислительных ресурсов. Поскольку объёмы астрономических данных растут экспоненциально, необходимы методы ускорения анализа без потери точности. Здесь на помощь приходят эмуляторы — программы, которые «имитируют» поведение моделей, работая при этом гораздо быстрее.

Но возникает вопрос: не жертвуем ли мы точностью ради скорости?

Международная команда исследователей из INAF (Италия), Университета Пармы (Италия) и Университета Ватерлоо (Канада) проверила эмулятор Effort.jl, разработанный для EFTofLSS. Результаты, опубликованные в Journal of Cosmology and Astroparticle Physics под названием «Effort.jl: быстрый и дифференцируемый эмулятор для Эффективной теории поля крупномасштабной структуры Вселенной», показали: эмулятор сохраняет точность оригинальной модели (а иногда и превосходит её), выполняя расчёты за минуты на обычном ноутбуке вместо суперкомпьютера.

От атомов до космических структур: как работает эмулятор

«Представьте, что вы изучаете движение воды в стакане на уровне атомов. Теоретически это возможно, но на практике расчёты становятся неподъёмными. Эффективная теория поля кодирует микроскопические свойства, показывая их влияние на макроуровне — например, как течёт жидкость. В случае EFTofLSS „водой“ становится Вселенная, а атомами — процессы в малых масштабах», — объясняет Марко Боничи, ведущий автор исследования из Университета Ватерлоо.

Теоретическая модель EFTofLSS анализирует наблюдательные данные, строя «предсказания», но требует огромных ресурсов. С учётом объёмов новых данных от инструментов вроде DESI и Euclid, полный расчёт каждый раз нецелесообразен. «Эмуляторы вроде Effort.jl сокращают время и затраты в разы», — добавляет Боничи.

Нейросеть, которая учится на градиентах

Effort.jl использует нейронную сеть, обучающуюся на выходных данных модели. После тренировки она предсказывает результаты для новых параметров. Уникальность эмулятора — встроенное знание о том, как изменения параметров влияют на прогнозы. Это сокращает обучение и позволяет применять градиенты — информацию о скорости и направлении изменений. Благодаря этому Effort.jl обучается на меньших выборках и работает даже на слабых устройствах.

Важный этап — проверка точности. В исследовании эмулятор успешно воспроизвёл результаты EFTofLSS на симуляциях и реальных данных. «Более того, в некоторых случаях Effort.jl позволил включить те элементы анализа, которые в оригинальной модели пришлось бы исключить ради скорости», — отмечает Боничи.

Будущее космологии: данные DESI и Euclid

Effort.jl станет ключевым инструментом для обработки данных новых миссий, таких как DESI и Euclid, которые обещают революцию в изучении крупномасштабной структуры Вселенной. С их помощью учёные надеются раскрыть тайны тёмной энергии и эволюции космоса.