Blue Waters numerisk relativitetssimulering af to kolliderende sorte huller med open source, numerisk relativitetssoftware, Einstein Toolkit. Forfattere:R. Haas og E. Huerta (NCSA/University of Illinois); Visualisering:R. Haas.
Forskere ved National Center for Supercomputing Applications (NCSA), placeret ved University of Illinois i Urbana-Champaign, har været banebrydende i brugen af GPU-accelereret dyb læring til hurtig detektion og karakterisering af gravitationsbølger. Denne nye tilgang vil gøre det muligt for astronomer at studere gravitationsbølger ved hjælp af minimale beregningsressourcer, reducere tid til opdagelse og øge den videnskabelige rækkevidde af gravitationsbølgeastrofysik. Denne innovative forskning blev for nylig offentliggjort i Fysik bogstaver B .
Kombination af deep learning algoritmer, numeriske relativitetssimuleringer af fusioner af sorte huller - opnået med Einstein Toolkit kørt på Blue Waters -supercomputeren - og data fra LIGO Open Science Center, NCSA Gravity Group -forskere Daniel George og Eliu Huerta producerede dybfiltrering, en ende-til-ende-tidsserie signalbehandlingsmetode. Deep filtrering opnår lignende følsomheder og lavere fejl sammenlignet med etablerede gravitationsbølgedetekteringsalgoritmer, samtidig med at den er langt mere beregningsmæssigt effektiv og mere modstandsdygtig over for støjanomalier. Metoden tillader hurtigere behandling end gravitationsbølger i realtid i LIGOs rådata, og muliggør også ny fysik, da den kan detektere nye klasser af gravitationsbølgekilder, der kan gå ubemærket hen med eksisterende detektionsalgoritmer. George og Huerta udvider denne metode til i realtid at identificere elektromagnetiske modstykker til gravitationsbølgehændelser i fremtidige LSST-data.
NCSA's Gravity Group udnyttede NCSA -ressourcer fra dets Innovative Systems Laboratory, NCSA's Blue Waters -supercomputer, og samarbejdede med talentfulde tværfaglige medarbejdere ved University of Illinois. Også afgørende for denne forskning var GPU'erne (Tesla P100 og DGX-1) leveret af NVIDIA, hvilket muliggjorde en accelereret træning af neurale netværk. Wolfram Research spillede også en vigtig rolle, som Wolfram -sproget blev brugt til at skabe denne ramme for dyb læring.
George og Huerta arbejdede sammen med NVIDIA og Wolfram forskere for at oprette denne demo for at visualisere arkitekturen i Deep Filtering, og for at få indsigt i dets neuronale aktivitet under påvisning og karakterisering af virkelige gravitationsbølgehændelser. Denne demo fremhæver alle komponenterne i Deep Filtering, udviser dens detekteringsfølsomhed og beregningsydelse.