Графовая нейросеть втрое снизила ошибку расчёта неравновесной химии в атмосферах экзопланет

Изображение с прозрачным фоном (без фона) by @dcnchannel

Группа из UCL, King's College London, ESA и Университета Париж-Сите предложила графовую нейросеть (GNN) для расчёта неравновесной химии в атмосферах экзопланет — и она заметно точнее прежнего подхода.

Изображение с фоном by @dcnchannel

Заем. Чтобы восстановить состав атмосферы экзопланеты по трансмиссионному спектру (свет звезды, прошедший сквозь атмосферу при транзите), нужно смоделировать, какие там молекулы и в каком количестве. «Равновесная» химия считается быстро, но не учитывает вертикальное перемешивание и другие эффекты. Точный «неравновесный» расчёт по кинетическим моделям — дорогая операция, и с ростом точности JWST и будущей миссии Ariel (ESA) это становится узким местом при массовой обработке спектров.

Идея. Ранее та же группа использовала свёрточную сеть U-Net (2025), но выяснила (2026): двумерная «сеточная» архитектура искажает результат — реакции между веществами просто не укладываются в топологию изображения. Здесь химическая сеть представлена как есть на самом деле — граф: 40 отслеживаемых веществ (из полной схемы в 108 соединений) — узлы, а 3286 связей между ними — рёбра, взвешенные скоростью реакции, зависящей от температуры.

Модель обучили на ~23 тыс. синтетических атмосфер и сверили с точными кинетическими расчётами (код FRECKLL):

- средняя ошибка предсказанного содержания веществ упала примерно в 3 раза относительно U-Net;

- в пересчёте на спектры у 93% тестовых атмосфер ошибка укладывается в 20 ppm — это примерно порог точности JWST и Ariel;

- на реальной экзопланете WASP-39b, выбранной как пограничный случай, сеть справилась хорошо;

- тест на «возмущение» подтвердил: отклик распространяется по цепочкам реакций, а не случайно — сеть выучила именно химию, а не просто подгоняет числа.

Слабее всего — в переходных режимах (C/O около 1) и при низких температурах.

Важно: это препринт от 15 сентября 2026 года, рецензирование ещё не пройдено.

Код: [github.com/Sponka/CHEXA-GNN](https://github.com/Sponka/CHEXA-GNN)

Статья: [arXiv:2609.17894](https://arxiv.org/abs/2609.17894)