Maskinlæring kunne hjælpe med at søge efter gravitationsbølger

En trio af studerende fra University of Glasgow har udviklet en sofistikeret kunstig intelligens, som kunne understøtte den næste fase af gravitationsbølge -astronomi.

I et nyt papir offentliggjort i dag i tidsskriftet Fysisk gennemgangsbreve , forskerne diskuterer, hvordan de brugte kunstig intelligens-værktøjer til at træne en AI-hjerne til at søge efter gravitationsbølgesignaler.

Gravitationsbølger, krusninger i rumtiden forårsaget af massive astronomiske begivenheder, blev først antaget af Albert Einstein i 1915. Det tog endnu et århundrede, før Laser Interferometry Gravitational-Wave Observatory (LIGO) detektorer i USA først opfandt de meget svage signaler fra kollisionen af ​​binære sorte huller.

Siden den historiske første opdagelse i september 2015, de avancerede LIGO- og europæiske VIRGO -detektorer har opfundet talrige signaler fra andre binære sorte huller og et fra kollisionen mellem binære neutronstjerner.

I øjeblikket, gravitationsbølgesignaler plukkes fra baggrundsstøj fra detektorer ved hjælp af en teknik kendt som matchet filtrering, som måler output fra detektorerne mod en bank af skabelonbølgeformer. Signaler, der matcher formen på en skabelonbølgeform, undersøges derefter nærmere for at afgøre, om de repræsenterer en ægte gravitationsbølgedetektion.

Imidlertid, processen kræver stor computerkraft. Når detektorerne opgraderes, og deres følsomhed over for gravitationsbølgesignaler øges, astronomer forventer, at der foretages betydeligt flere påvisninger under hver observationskørsel, medfører en ledsagende stigning i den nødvendige computerkraft.

University of Glasgow Fysik og Astronomi postgraduate studerende Hunter Gabbard og Fergus Hayes og bachelor Michael Williams besluttede at undersøge, om dyb læring, en form for kunstig intelligens, kunne bidrage til at gøre registreringsprocessen mere beregningsmæssigt effektiv.

Under ledelse af University of Glasgow astrofysiker Dr.Christopher Messenger, de brugte en proces kendt som supervised deep learning til at opbygge en kunstig intelligens, der var i stand til korrekt at plukke gravitationsbølgesignaler begravet i støj fra tusinder af simulerede datasæt, som de skabte.

Hunter Gabbard sagde:"Deep learning -algoritmer involverer stablede arrays af behandlingsenheder, som vi kalder neuroner, som fungerer som filtre for inputdataene. Overvåget dyb læring giver os mulighed for at 'lære' systemet gennem tre datasæt, vi leverer. Det første datasæt, træningssættet, giver os mulighed for at sikre, at det 'lærer' det, vi ønsker. Sekundet, valideringssættet, viser os, at det lærer på den måde, vi forventer. Det sidste sæt, prøvesættet, hjælper os med at kvantificere systemets ydeevne. "

"Det, der gør denne proces hurtigere og mere effektiv end matchet-filtrering, er, at træningssættet er, hvor al den beregningsmæssigt intensive aktivitet opstår. Når deep learning-algoritmen lærer, hvad man skal kigge efter i et signal, det har potentialet til at være størrelsesordener hurtigere end andre metoder."

Fergus Hayes tilføjede:"På samme tid, vi brugte også en standard matchet filtreringsproces til at gennemse vores simulerede gravitationsbølgedata, så vi kunne sammenligne effektiviteten af ​​vores deep learning-tilgang ved hjælp af en statistisk proces-of-merit kaldet modtageroperatorkarakteristik (ROC) kurver.

"Med omhyggelig tuning og træning af værktøjet til dyb læring, vi fandt ud af, at disse ROC-kurver viste en meget lignende ydeevne mellem vores nye proces og den matchede filtreringsproces. Det tyder på, at neurale netværk giver en meget lovende metode til at søge efter gravitationsbølgesignaler. "

Michael Williams tilføjede:"Selvom vi i dette papir specifikt har koncentreret os om binære sorte huldetektioner, processen kan let anvendes på andre typer af gravitationsbølgesignaler, og vi er ivrige efter at fortsætte vores forskning. Det er et spændende fund, og foreslår en meget lovende vej frem for den mere intensive gravitationsbølgeastronomi, som vil komme, efterhånden som detektorerne bliver mere følsomme."

Forskernes papir, med titlen "Matchende matchet filtrering med dybe netværk til gravitationsbølge-astronomi, " er udgivet i Fysisk gennemgangsbreve .