График данных, который заставил исследовательскую группу из Гейдельберга остановиться, был не открытием, а его отсутствием. Холодным декабрьским утром 2025 года в Институте теоретической физики модель машинного обучения, обученная на миллиардах точек данных космических обзоров, завершила свою работу. Она успешно реконструировала уравнения, управляющие крупномасштабной структурой Вселенной, верно предсказав распределение галактик и космическую паутину исходя из начальных условий Большого взрыва. Однако на масштабах, превышающих несколько сотен мегапарсек, прогнозы модели резко разошлись с реальностью. Скорость расширения Вселенной, которая должна определяться темной энергией, просто не воспроизводилась. Искусственный интеллект, который, в некотором смысле, декодировал принципы устройства Вселенной, только что обнаружил зияющую дыру в стандартной космологической модели.
ИИ, который декодировал устройство Вселенной — пока не перестал
Этот процесс не был тривиальным. Архитектура ИИ включала симметрии, ограничивающие физические законы, такие как вращательная и трансляционная инвариантность, что заставляло сеть обучаться на данных с учетом геометрии пространства-времени. Когда группа предоставила ему реальные наблюдения с космического телескопа ESA Euclid и проекта Dark Energy Survey, CosmoGraph смог предсказать расположение галактик с точностью 99,7% — до определенного момента.
«Мы ожидали некоторых отклонений на самых крупных масштабах из-за космической дисперсии, — сказал Фосс, — но модель систематически недооценивала амплитуду кластеризации и полностью упустила ускорение на поздних этапах развития. Казалось, что Вселенная в своем грандиозном масштабе подчиняется другим правилам».
Пробел там, где должна быть темная энергия
Физикам давно известно, что космологическая постоянная — это лишь временное решение, параметр, настолько тонко настроенный, что многие теоретики считают его неестественным. CosmoGraph выявил, что система, оптимизированная исключительно для описания гравитационной динамики материи — темной и видимой, — просто не видит необходимости в постоянной силе отталкивания. Ускорение проявляется только тогда, когда обучающие данные принудительно включают крупномасштабные наблюдения, что затем искажает подгонку модели на малых масштабах. Это характерный признак отсутствующего элемента: нечто в космосе связывает формирование структуры, зависящее от масштаба, со скоростью расширения таким образом, который не учитывают наши текущие теории.
О чем «слепое пятно» ИИ говорит нам о темной материи и темной энергии
Если бы космологическая постоянная была верным объяснением, хорошо обученный ИИ должен был бы вывести её как простейшую корректировку параметра. Тот факт, что этого не произошло, предполагает, что реальный драйвер ускорения более тесно связан с ростом структуры. Одна из интерпретаций заключается в том, что темная энергия — это не константа, а динамическое поле, подобное квинтэссенции, которое меняется со временем и, возможно, взаимодействует с темной материей. Другая, более радикальная возможность состоит в том, что наше понимание самой гравитации неполно на космических расстояниях, и что модифицированная ньютоновская динамика или вариант эмерджентной гравитации должны заменить общую теорию относительности на крупнейших масштабах.
Несостоятельность CosmoGraph особенно заметна при попытке согласовать историю расширения ранней Вселенной, запечатленную в реликтовом излучении, с ускорением на поздних этапах. Это хаббловское напряжение в новой форме: ИИ, обученный на данных ранней и средней Вселенной, неизменно предпочитает постоянную Хаббла, которая ниже локально измеренных значений. «Мнение» машины подчеркивает то, что многие наблюдатели подозревали давно: расхождение — это не ошибка измерения, а симптом более глубокого физического разлома.
Почему «слепое пятно» ИИ — это человеческая проблема
При всей своей мощи CosmoGraph — это «черный ящик». Команда видит, где он ошибается, но не понимает, почему — с точки зрения интуитивной физики. Модель не выдает аккуратное уравнение; она выдает прогноз. Эта непрозрачность вызвала дискуссию в физическом сообществе о роли ИИ как инструмента открытий. С одной стороны, успех модели на малых масштабах подтверждает использование машинного обучения для поиска новой физики; с другой — его «слепота» к крупномасштабному ускорению грозит усилением существующих теоретических предвзятостей. Если в обучающих данных преобладают режимы, где темная энергия играет незначительную роль, ИИ никогда не научится искать ее.
«Машинное обучение усиливает предрассудки, заложенные в наборе данных, — объясняет Себастьян Хубер, физик-теоретик из ETH Zurich, не участвовавший в исследовании. — Если вы обучите его быть хорошим инструментом интерполяции, он будет именно им — инструментом интерполяции. Интересная физика часто кроется в экстраполяции, а здесь необходима теория».
Это ограничение касается не только космологии. В астрофизике и физике элементарных частиц модели ИИ используются для просеивания петабайтов данных, отмечая аномалии, которые могут сигнализировать о новых явлениях. Однако статистические методы, которые делают их чувствительными к слабым сигналам, также делают их крайне чувствительными к инструментальным артефактам и предположениям моделирования. «Слепое пятно», обнаруженное CosmoGraph, иронично, может быть особенностью — надежным индикатором того, что наши текущие уравнения не описывают ситуацию полностью. Но извлечение этого вывода из нейронной сети требует уровней человеческого мышления, которые машина пока не может обеспечить.
Европейский Euclid и будущее космической картографии
Работа гейдельбергской группы опирается на данные миссии ESA Euclid, европейского космического телескопа стоимостью 1,4 миллиарда евро для изучения «темной Вселенной». Euclid создает самую точную трехмерную карту космоса из когда-либо созданных, измеряя формы и расстояния миллиардов галактик, чтобы отследить, как темная энергия формировала Вселенную с течением космического времени. Эта миссия — жемчужина европейской космической науки, но её конвейер обработки данных является одновременно и возможностью, и риском для открытий, основанных на ИИ.
Существует также напряженность в финансировании. Программа Horizon Europe направила значительные ресурсы на ИИ и науку о данных в фундаментальной физике, но результат CosmoGraph предполагает, что подходы, основанные исключительно на данных, вряд ли приведут к долгожданному прорыву в изучении темной энергии. Более рутинная работа по уточнению бюджетов систематических ошибок и созданию более реалистичных симуляций может быть менее эффектной, но именно она является фундаментом, на котором должно строиться любое открытие с помощью ИИ.
Команда из Гейдельберга планирует снова запустить модель с расширенными наборами данных, в которые искусственно внедрены сценарии крупномасштабного ускорения, по сути, обучая ИИ тому, чего ожидать. Это странная инверсия: вместо того чтобы позволить данным говорить самим за себя, ученые дают машине теоретический рецепт. Это методологический компромисс, от которого поморщился бы любой эмпирик старой закалки. Но это может быть самым быстрым способом выяснить, является ли пробел в стандартной модели трещиной в наших теориях или просто зеркалом нашего собственного невежества.
Источники
- Гейдельбергский университет, кластер STRUCTURES (презентация исследования и препринт)
- Релизы данных и техническая документация консорциума ESA Euclid
- Nature Astronomy (готовящаяся к публикации статья об ограничениях космологических параметров, полученных с помощью ИИ)
Comments
No comments yet. Be the first!