Forskere omdanner data til lyd for at lytte til universets hvisken (og mere)

Vi tænker ofte på astronomi som en visuel videnskab med smukke billeder af universet. Imidlertid bruger astronomer en lang række analyseværktøjer ud over billeder til at forstå naturen på et dybere niveau.

Data sonificering er processen med at konvertere data til lyd. Det har kraftfulde applikationer inden for forskning, uddannelse og outreach og gør det også muligt for blinde og svagtseende samfund at forstå plots, billeder og andre data.

Dets brug som et værktøj i videnskaben er stadig i de tidlige stadier - men astronomigrupper fører an.

I et papir udgivet i Nature Astronomy , diskuterer mine kolleger og jeg den aktuelle tilstand af datasonificering inden for astronomi og andre områder, giver et overblik over 100 lydbaserede projekter og udforsker dets fremtidige retninger.

Cocktailparty-effekten

Forestil dig denne scene:du er til en overfyldt fest, der er ret støjende. Du kender ikke nogen, og de taler alle et sprog, du ikke kan forstå - ikke godt. Så hører du stykker af en samtale i et fjerne hjørne på dit sprog. Du fokuserer på det og går over for at præsentere dig selv.

Selvom du måske aldrig har oplevet sådan en fest, er tanken om at høre en genkendelig stemme eller et sprog i et støjende lokale velkendt. Det menneskelige øres og hjernes evne til at filtrere uønskede lyde fra og hente ønskede lyde kaldes "cocktailparty-effekten".

På samme måde skubber videnskaben altid grænserne for, hvad der kan detekteres, hvilket ofte kræver at udvinde meget svage signaler fra støjende data. Inden for astronomi presser vi ofte på for at finde de svageste, fjerneste eller mest flygtige signaler. Datasonificering hjælper os med at flytte disse grænser yderligere.

Videoen nedenfor giver eksempler på, hvordan sonificering kan hjælpe forskere med at skelne svage signaler i data. Den byder på sonificering af ni bursts fra en gentagende hurtig radioburst kaldet FRB121102.

Hurtige radioudbrud er millisekunders udbrud af radioemission, der kan detekteres halvvejs på tværs af universet. Vi ved endnu ikke, hvad der forårsager dem. At opdage dem i andre bølgelængder er nøglen til at forstå deres natur.

For meget af det gode

Når vi udforsker universet med teleskoper, finder vi ud af, at det er fuld af katastrofale eksplosioner, herunder stjerners supernovadød, sammensmeltninger af sorte huller og neutronstjerner, der skaber gravitationsbølger, og hurtige radioudbrud.

Her kan du lytte til fusionen af ​​to sorte huller.

Og sammensmeltningen af ​​to neutronstjerner.

Disse begivenheder giver os mulighed for at forstå ekstrem fysik ved de højest kendte energier og tætheder. De hjælper os til blandt andet at måle universets ekspansionshastighed og hvor meget stof det indeholder, og til at bestemme hvor og hvordan grundstofferne er skabt.

Kommende faciliteter såsom Rubin Observatory og Square Kilometer Array vil opdage titusinder af disse begivenheder hver nat. Vi anvender computere og kunstig intelligens til at håndtere disse enorme mængder af detektioner.

De fleste af disse begivenheder er dog svage udbrud, og computere er kun så gode til at finde dem. En computer kan udvælge et svagt udbrud, hvis den får en skabelon med det "ønskede" signal. Men hvis signaler afviger fra denne forventede adfærd, går de tabt.

Og det er ofte netop disse begivenheder, der er de mest interessante og giver den største indsigt i universets natur. Det kan være effektivt at bruge datalyd til at verificere disse signaler og identificere outliers.

Mere end man kan se

Datasonificering er nyttig til at fortolke videnskab, fordi mennesker fortolker lydinformation hurtigere end visuel information. Øret kan også skelne flere tonehøjder, end øjet kan skelne farveniveauer (og over et bredere område).

En anden retning, vi udforsker for datasonificering, er multidimensionel dataanalyse – som involverer forståelse af forholdet mellem mange forskellige funktioner eller egenskaber i lyd.

At plotte data i ti eller flere dimensioner samtidigt er for komplekst, og at fortolke det er for forvirrende. Imidlertid kan de samme data forstås meget lettere gennem sonificering.

Som det viser sig, kan det menneskelige øre kende forskel på lyden af ​​en trompet og en fløjte med det samme, selvom de spiller den samme tone (frekvens) med samme lydstyrke og varighed.

Hvorfor? Fordi hver lyd indeholder højere ordens harmoniske, der hjælper med at bestemme lydkvaliteten eller klangen. De forskellige styrker af de højere ordens harmoniske gør det muligt for lytteren hurtigt at identificere instrumentet.

Forestil dig nu at placere information - forskellige egenskaber ved data - som forskellige styrker af højere ordens harmoniske. Hvert undersøgt objekt ville have en unik tone eller tilhøre en klasse af toner, afhængigt af dets overordnede egenskaber.

Med lidt træning kunne en person næsten øjeblikkeligt høre og genkende alle objektets egenskaber eller dets klassificering fra en enkelt tone.

Ud over forskning

Sonificering har også stor anvendelse inden for uddannelse (Sonokids) og outreach (f.eks. SYSTEM Sounds og STRAUSS) og har udbredte anvendelser inden for områder, herunder medicin, finans og mere.

Men dens største magt er måske at sætte blinde og svagtseende samfund i stand til at forstå billeder og plots for at hjælpe med hverdagen.

Det kan også muliggøre meningsfuld videnskabelig forskning og gøre det kvantitativt, da sonificeringsforskningsværktøjer giver numeriske værdier på kommando.

Denne evne kan hjælpe med at fremme STEM-karrierer blandt blinde og synshandicappede. Og ved at gøre det kan vi udnytte en massiv pulje af geniale videnskabsmænd og kritiske tænkere, som ellers måske ikke havde forestillet os en vej mod videnskab.

Det, vi har brug for nu, er regerings- og industristøtte til at udvikle sonificeringsværktøjer yderligere, for at forbedre adgangen og anvendeligheden og hjælpe med at etablere sonificeringsstandarder. + Udforsk yderligere

Nye sorte hul-sonifikationer med et remix er nu tilgængelige for lytning

Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs den originale artikel.