Команда предложила решать проблему не для каждого события по отдельности, а анализировать все данные разом, используя алгоритмы машинного обучения, учитывая контекст всего массива данных.

Такой подход — группировка данных с учётом дополнительных условий — позволил устранить до 50% неточностей в измерении спинов чёрных дыр. Распределения параметров стали более предсказуемыми, исчезли «паразитные» пики и длинные «хвосты» в данных. Например, если раньше некоторые результаты напоминали помехи, то теперь они стали чёткими. Это упрощает идентификацию природы объектов: в спорных случаях станет легче определить, где чёрная дыра, а где нейтронная звезда.

По оценкам учёных, пересмотр данных LIGO/Virgo с новым методом может изменить интерпретацию каждого десятого события. Это важно для понимания эволюции двойных систем — например, как пары чёрных дыр формируются и сливаются в условиях экстремальной гравитации. В ближайшие годы подход планируют внедрить в анализ данных обсерваторий следующего поколения, таких как KAGRA и будущий Cosmic Explorer.