Toen in 2015 voor het eerst zwaartekrachtsgolven werden gedetecteerd door de geavanceerde Laser Interferometer Gravitational-Wave Observatory (LIGO), ze stuurden een rimpeling door de wetenschappelijke gemeenschap, terwijl ze een andere theorie van Einstein bevestigden en de geboorte van zwaartekrachtsgolfastronomie markeerden. Vijf jaar later, talrijke bronnen van zwaartekrachtgolven zijn ontdekt, inclusief de eerste waarneming van twee botsende neutronensterren in zwaartekracht- en elektromagnetische golven.

Terwijl LIGO en zijn internationale partners doorgaan met het verbeteren van de gevoeligheid van hun detectoren voor zwaartekrachtsgolven, ze zullen in staat zijn om een ​​groter volume van het universum te onderzoeken, waardoor de detectie van zwaartekrachtsgolfbronnen een dagelijkse gebeurtenis wordt. Deze ontdekkingszondvloed zal het tijdperk van precisieastronomie lanceren dat rekening houdt met extrasolaire boodschapperfenomenen, inclusief elektromagnetische straling, zwaartekracht golven, neutrino's en kosmische straling. Het realiseren van dit doel, echter, vereist een radicale heroverweging van bestaande methoden die worden gebruikt om zwaartekrachtgolven te zoeken en te vinden.

Onlangs, computationeel wetenschapper en leider voor translationele kunstmatige intelligentie (AI) Eliu Huerta van het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE), in samenwerking met medewerkers van Argonne, de Universiteit van Chicago, de Universiteit van Illinois in Urbana-Champaign, NVIDIA en IBM, heeft een nieuw AI-raamwerk op productieschaal ontwikkeld dat versnelde, schaalbare en reproduceerbare detectie van zwaartekrachtsgolven.

Dit nieuwe raamwerk geeft aan dat AI-modellen net zo gevoelig kunnen zijn als traditionele algoritmen voor het matchen van sjablonen, maar orden van grootte sneller. Verder, deze AI-algoritmen zouden alleen een goedkope grafische verwerkingseenheid (GPU) nodig hebben, zoals die gevonden worden in videospelsystemen, om geavanceerde LIGO-gegevens sneller dan realtime te verwerken.

Het AI-ensemble dat voor dit onderzoek werd gebruikt, verwerkte een hele maand – augustus 2017 – aan geavanceerde LIGO-gegevens in minder dan zeven minuten, het distribueren van de dataset over 64 NVIDIA V100 GPU's. Het AI-ensemble dat door het team voor deze analyse werd gebruikt, identificeerde alle vier binaire fusies van zwarte gaten die eerder in die dataset waren geïdentificeerd. en rapporteerde geen misclassificaties.

"Als computerwetenschapper wat ik zo boeiend vind aan dit project, " zei Ian Foster, directeur van de divisie Data Science and Learning (DSL) van Argonne, "is dat het laat zien hoe, met het juiste gereedschap, AI-methoden kunnen op natuurlijke wijze worden geïntegreerd in de workflows van wetenschappers, waardoor ze hun werk sneller en beter kunnen doen, waardoor niet vervangen, menselijke intelligentie."

Het inzetten van ongelijksoortige middelen, dit interdisciplinaire en multi-institutionele team van medewerkers heeft een paper gepubliceerd in Natuurastronomie met een gegevensgestuurde aanpak die de collectieve supercomputerbronnen van het team combineert om reproduceerbare, versneld, AI-gestuurde detectie van zwaartekrachtgolven.

"In dit onderzoek, we hebben de gecombineerde kracht van AI en supercomputing gebruikt om tijdige en relevante big-data-experimenten op te lossen. We maken AI-onderzoeken nu volledig reproduceerbaar, niet alleen vaststellen of AI een nieuwe oplossing kan bieden voor grote uitdagingen, ' zei Huerta.

Voortbouwend op het interdisciplinaire karakter van dit project, het team kijkt uit naar nieuwe toepassingen van dit datagestuurde raamwerk dat verder gaat dan big data-uitdagingen in de natuurkunde.

"Dit werk benadrukt de significante waarde van data-infrastructuur voor de wetenschappelijke gemeenschap, " zei Ben Blaiszik, een onderzoekswetenschapper aan Argonne en de Universiteit van Chicago. "De langetermijninvesteringen die DOE heeft gedaan, de Nationale Wetenschapsstichting (NSF), de National Institutes of Standards and Technology en anderen hebben een reeks bouwstenen gecreëerd. Het is voor ons mogelijk om deze bouwstenen op nieuwe en opwindende manieren samen te brengen om deze analyse te schalen en om deze mogelijkheden in de toekomst aan anderen te leveren."

Huerta en zijn onderzoeksteam ontwikkelden hun nieuwe raamwerk met de steun van de NSF, Argonne's Laboratory Directed Research and Development (LDRD) programma en DOE's Innovative and Novel Computational Impact on Theory and Experiment (INCITE) programma.

"Deze NSF-investeringen bevatten originele, innovatieve ideeën die een belangrijke belofte inhouden voor het transformeren van de manier waarop wetenschappelijke gegevens die in snelle stromen binnenkomen, worden verwerkt. De geplande activiteiten brengen versnelde en heterogene computertechnologie naar veel wetenschappelijke praktijkgemeenschappen, " zei Manish Parashar, directeur van het Office of Advanced Cyberinfrastructure bij NSF.