Модель машинного обучения обнаруживает задержки в активных галактических ядрах

Опубликовано 28.01.2026 | Перевод с испанского
Ilustración conceptual de un núcleo galáctico activo mostrando un agujero negro supermasivo, su disco de acreción y los conos de radiación, con líneas que representan los diferentes tiempos de viaje de la luz (lags).

Модель машинного обучения обнаруживает задержки в активных галактических ядрах

Чтобы исследовать сердце самых энергичных галактик, астрономы используют 3D-картографию реверберации. Эта техника анализирует временные задержки или lags в свете, испускаемом аккреционными дисками, окружающими сверхмассивные чёрные дыры. Будущая Обсерватория Веры Рубин сгенерирует огромные объёмы данных для этой задачи, но также ставит значительные вызовы, требующие новых инструментов анализа 🕰️.

Задержки раскрывают скрытую структуру диска

Короткие задержки возникают из-за времени, которое свет тратит на пересечение диска, что позволяет картировать его радиальное расширение. С другой стороны, длинные отрицательные задержки, более тонкие и сложные для обнаружения, связаны со временем, которое материя тратит на движение внутрь, предлагая подсказки о вертикальной структуре диска. Обнаружить последние традиционными методами очень сложно, особенно с сериями данных, имеющими пробелы или слабый сигнал.

Вызовы для новой эры наблюдений:
  • Обсерватория Рубин будет наблюдать миллионы AGN, но её данные будут иметь сезонные пробелы.
  • Сигнал длинной отрицательной задержки по своей природе слабый и легко маскируется.
  • Классические методы анализа не масштабируются хорошо для обработки ожидаемого огромного объёма данных.
Похоже, что даже сверхмассивные чёрные дыры могут иметь задержку в ответе, хотя в их случае она измеряется в днях света.

Трансформер революционизирует обнаружение

Чтобы преодолеть эти барьеры, была разработана и обучена модель машинного обучения на основе архитектуры трансформер. Эта модель изучает симулированные кривые света, имитирующие те, которые произведёт Рубин, автоматически и надёжно выявляя оба типа задержек.

Результаты, которые делают разницу:
  • Модель идентифицирует присутствие длинной отрицательной задержки с 96% полнотой и всего 0.04% загрязнением.
  • Предсказывает значение задержки с точностью 98%.
  • Значительно превосходит установленные техники: интерполированная функция взаимной корреляции достигает 54% точности, а javelin только

Enlaces Relacionados