Исследователи впервые задействовали инструменты машинного обучения, чтобы напрямую рассчитать ключевые космологические параметры, опираясь на показатели рентгеновского телескопа eROSITA. В отличие от традиционных методов, опирающихся на косвенные вычисления массы галактических скоплений и сложные масштабируемые корреляции, ученые применили модель Random Forest, предварительно обученную на гидродинамических симуляциях Magneticum, охватывающих различные сценарии развития Вселенной.
После завершения обучения алгоритм обработал реальные данные наблюдений из каталогов скоплений. Модель проанализировала комплекс рентгеновских признаков, включая светимость, температуру плазмы, массу газа и пространственные радиусы, трансформировав эти сведения в космологические параметры.
Итоговые показатели плотности материи составили Ωm = 0,30(−0,02;+0,03), амплитуда флуктуаций σ8 достигла 0,81 ± 0,01, а нормированная постоянная Хаббла h0 оказалась на уровне 0,710 ± 0,004. Точность полученных значений сопоставима с результатами классических космологических исследований и согласуется с данными, полученными при изучении реликтового излучения и эффекта слабого гравитационного линзирования.
Иллюстрация: Nano Banana
Стоит отметить, что полученные параметры имеют заметные расхождения с результатами миссии Planck, направленной на изучение вариаций космического микроволнового фона, и тяготеют к данным локальных измерений расстояний. Это открывает новые перспективы в исследовании так называемого «напряжения Хаббла» — существующего разрыва между темпами расширения Вселенной в эпоху раннего формирования и современными наблюдениями в ближайшем космосе, который до сих пор не находит объяснения в текущей космологической модели.
Разработчики метода акцентируют внимание на его главном достоинстве: алгоритм способен эффективно обрабатывать нелинейные зависимости между наблюдаемыми свойствами скоплений, минимизируя систематические погрешности, возникающие при калибровке масс. Ранее именно эти сложности серьезно ограничивали точность рентгеновских методов в космологии.
Апробация модели на симуляциях подтвердила высокую устойчивость результатов к изменениям в составе выборок, уровню фоновых шумов и условиям обучения. Это доказывает, что алгоритм не занимается «подгонкой» данных, а выявляет фундаментальные физические закономерности.
Ученые полагают, что такой подход позволит по-новому взглянуть на анализ массивных рентгеновских обзоров и обеспечит независимый способ верификации стандартной модели. Ожидается, что с накоплением новых данных от eROSITA и усложнением математических симуляций точность подобных инструментов будет лишь возрастать.
В ближайшем будущем данный метод может занять место в ряду базовых инструментов наблюдательной космологии, дополняя классические статистические подходы и обеспечивая более точное понимание параметров Вселенной при работе с растущими объемами астрономических данных.
