Машинное обучение помогло измерить космологические параметры Вселенной по данным рентгеновского телескопа eROSITA
Учёные впервые применили методы машинного обучения для прямого определения фундаментальных космологических параметров по данным рентгеновского телескопа eROSITA. Вместо классических подходов, основанных на косвенных оценках масс скоплений галактик и масштабных соотношениях, исследователи обучили модель Random Forest на гидродинамических симуляциях Magneticum с разными наборами параметров Вселенной.
После обучения алгоритм был применён к реальным наблюдениям скоплений из каталогов. Модель анализировала сразу несколько рентгеновских характеристик — светимость, температуру, массу газа и характерные радиусы — и использовала их для восстановления космологических параметров.
В результате были получены значения плотности материи Ωm = 0,30(−0,02;+0,03), амплитуды флуктуаций σ8 = 0,81 ± 0,01 и нормированной постоянной Хаббла h0 = 0,710 ± 0,004. По точности эти оценки сопоставимы со стандартными космологическими анализами и не показывают противоречий с данными реликтового излучения и слабого гравитационного линзирования.
При этом значения заметно отличаются от оценки астрономического спутника Планк (Planck) Европейского космического агентства, созданного для изучения вариаций космического микроволнового фона и ближе к результатам локальных измерений расстояний. Это делает новый подход потенциально важным инструментом для изучения «напряжения Хаббла». «Напряжение Хаббла» — это расхождение между скоростью расширения Вселенной, измеренной по ранней Вселенной (реликтовому излучению), и её значением, полученным из наблюдений близких галактик, пока что его не удаётся объяснить в рамках стандартной космологической модели.
Авторы подчёркивают, что ключевое преимущество метода — способность учитывать сложные взаимосвязи между наблюдаемыми параметрами скоплений и снижать влияние систематических ошибок, связанных с калибровкой масс. Именно эти неопределённости долгое время оставались одним из главных ограничений рентгеновской космологии.
Проверка на симуляциях показала устойчивость результатов к изменению состава выборки, уровню шума и параметрам обучения. Это говорит о том, что модель не просто подгоняется под данные, а действительно извлекает физически значимую информацию.
По мнению исследователей, предложенный подход открывает новые возможности для анализа крупных рентгеновских обзоров и независимой проверки стандартной космологической модели. По мере накопления данных eROSITA и расширения набора симуляций точность таких методов может заметно вырасти.
В перспективе этот метод может стать одним из ключевых инструментов космологии наблюдений, дополняя традиционные статистические методы и помогая получать надёжные оценки параметров Вселенной из всё более сложных массивов данных.