Физики проверили, может ли машинное обучение помочь обнаружить следы «новой физики» в гравитационно-волновых сигналах без опоры на классические методы, и получили отрезвляющий результат: при работе на реальных данных детектора LIGO и на примере GW150914 нейросеть стала «слепой», когда величина возможного отклонения от Общей теории относительности опускается ниже определённого порога. Авторы отмечают, что в таких условиях точность классификатора падает до уровня случайного угадывания. Источник действия подчёркивает зависимость результатов от величины β и отмечает, что при малых β нейросеть начинает давать предсказания, близкие к монетке.

Контекст проблемы: поиск отклонений от теории Эйнштейна остаётся одной из ключевых задач современной астрофизики. Каждое зарегистрированное слияние чёрных дыр в настоящее время укладывается в рамки предсказаний Общей теории относительности с учётом допусков измерений, однако экстремальная гравитация во время столкновения продолжает привлекать внимание как полигон для проверки пределов теории. Традиционный подход основан на согласованной фильтрации — сложном математическом аппарате, который сверяет сигнал с большой библиотекой заранее рассчитанных шаблонов; этот метод точен, но чувствителен к тому, что реальное отклонение выходит за рамки заложенных форм, и тогда его обнаружение может не произойти.

Авторы нового исследования поставили вопросы: сможет ли искусственный интеллект, обученный непосредственно на данных, распознавать отклонения без опоры на физические модели? Они разработали гибридный классификатор, сочетающий одномерную свёрточную нейросеть с набором вручную рассчитанных статистических признаков сигнала. Модель обучалась различать гравитационно-волновые сигналы в рамках Общей теории относительности и сигналы с искусственно добавленными искажениями трёх типов: амплитудной, фазовой и частотной модуляции; сила отклонения задавалась безразмерным параметром β.

Экспериментальная база опиралась на реальные данные детектора LIGO H1, без использования синтетических симуляций. В качестве эталона брали сигнал GW150914 — первый в истории зафиксированный случай слияния чёрных дыр. Затем модифицированные версии этого сигнала с контролируемыми искажениями подмешивали в настоящий шум и оценивали, с какого момента нейросеть начинает уверенно различать модифицированный сигнал и оригинал.

Результат представлен как кривая обнаруживаемости: при β ≥ 0,5 сеть работала безупречно, при β около 0,25 точность приближалась к 75%, а при β ≤ 0,2 классификатор переходил к случайному угадыванию — около 51,7%, что эквивалентно подбрасыванию монетки. Потери модели держались на уровне примерно 0,693 на протяжении всего обучения, что трактуется как отсутствие обнаруживаемых различий между двумя классами. Эти цифры подчёркивают ограниченность чистого машинного обучения в данной конфигурации.