Wetenschappers van het National Center for Supercomputing Applications (NCSA), gevestigd aan de Universiteit van Illinois in Urbana-Champaign, hebben pionierswerk verricht met het gebruik van GPU-versnelde deep learning voor snelle detectie en karakterisering van zwaartekrachtsgolven. Deze nieuwe benadering stelt astronomen in staat om zwaartekrachtgolven te bestuderen met minimale rekenkracht. het verkorten van de tijd tot ontdekking en het vergroten van het wetenschappelijke bereik van zwaartekrachtsgolfastrofysica. Dit innovatieve onderzoek is onlangs gepubliceerd in Natuurkunde Letters B .

Het combineren van deep learning-algoritmen, numerieke relativiteitssimulaties van samensmeltingen van zwarte gaten - verkregen met de Einstein Toolkit uitgevoerd op de Blue Waters-supercomputer - en gegevens van het LIGO Open Science Center, NCSA Gravity Group-onderzoekers Daniel George en Eliu Huerta produceerden Deep Filtering, een end-to-end tijdreeks signaalverwerkingsmethode. Diepe filtering bereikt vergelijkbare gevoeligheden en lagere fouten in vergelijking met gevestigde algoritmen voor detectie van zwaartekrachtgolven, terwijl het veel rekenkundig efficiënter is en beter bestand tegen geluidsafwijkingen. De methode maakt een snellere dan realtime verwerking van zwaartekrachtsgolven in de onbewerkte gegevens van LIGO mogelijk, en maakt ook nieuwe fysica mogelijk, omdat het nieuwe klassen van zwaartekrachtgolfbronnen kan detecteren die mogelijk onopgemerkt blijven met bestaande detectie-algoritmen. George en Huerta breiden deze methode uit om in realtime elektromagnetische tegenhangers van zwaartekrachtgolfgebeurtenissen in toekomstige LSST-gegevens te identificeren.

NCSA's Gravity Group maakte gebruik van NCSA-middelen van haar Innovative Systems Laboratory, NCSA's Blue Waters-supercomputer, en werkte samen met getalenteerde interdisciplinaire medewerkers van de Universiteit van Illinois. Ook cruciaal voor dit onderzoek waren de GPU's (Tesla P100 en DGX-1) geleverd door NVIDIA, die een versnelde training van neurale netwerken mogelijk maakte. Wolfram Research speelde ook een belangrijke rol, zoals de Wolfram-taal werd gebruikt bij het creëren van dit raamwerk voor diep leren.

George en Huerta werkten samen met NVIDIA- en Wolfram-onderzoekers om deze demo te maken om de architectuur van Deep Filtering te visualiseren, en om inzicht te krijgen in de neuronale activiteit ervan tijdens de detectie en karakterisering van echte zwaartekrachtgolfgebeurtenissen. Deze demo belicht alle componenten van Deep Filtering, met zijn detectiegevoeligheid en rekenprestaties.