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.