Een drietal studenten van de Universiteit van Glasgow heeft een geavanceerde kunstmatige intelligentie ontwikkeld die de volgende fase van zwaartekrachtsgolfastronomie zou kunnen ondersteunen.

In een nieuw artikel dat vandaag in het tijdschrift is gepubliceerd: Fysieke beoordelingsbrieven , de onderzoekers bespreken hoe ze kunstmatige intelligentie-tools gebruikten om een ​​AI-'brein' te trainen om te zoeken naar zwaartekrachtgolfsignalen.

zwaartekracht golven, rimpelingen in de ruimtetijd veroorzaakt door enorme astronomische gebeurtenissen, werden voor het eerst verondersteld door Albert Einstein in 1915. Het duurde nog een eeuw voordat de Laser Interferometry Gravitational-Wave Observatory (LIGO)-detectoren in de Verenigde Staten voor het eerst de zeer zwakke signalen van de botsing van binaire zwarte gaten oppikten.

Sinds die historische eerste ontdekking in september 2015 de geavanceerde LIGO- en Europese VIRGO-detectoren hebben talloze signalen opgepikt van andere binaire zwarte gaten en één van de botsing van binaire neutronensterren.

Momenteel, zwaartekrachtgolfsignalen worden uit de achtergrondruis van de detectoren gehaald met behulp van een techniek die bekend staat als matched filtering, die de uitvoer van de detectoren meet tegen een reeks sjabloongolfvormen. Signalen die overeenkomen met de vorm van een sjabloongolfvorm worden vervolgens nauwkeuriger onderzocht om te bepalen of ze een echte zwaartekrachtsgolfdetectie vertegenwoordigen.

Echter, het proces vereist veel rekenkracht. Naarmate de detectoren worden geüpgraded en hun gevoeligheid voor zwaartekrachtsgolfsignalen toeneemt, astronomen verwachten aanzienlijk meer detecties tijdens elke waarnemingsrun, gepaard gaand met een toename van de benodigde rekenkracht.

Universiteit van Glasgow, postdoctorale studenten natuurkunde en sterrenkunde Hunter Gabbard en Fergus Hayes en niet-gegradueerde Michael Williams besloten te onderzoeken of deep learning, een vorm van kunstmatige intelligentie, zou kunnen helpen om het detectieproces rekenkundig efficiënter te maken.

Onder leiding van de astrofysicus van de Universiteit van Glasgow, dr. Christopher Messenger, ze gebruikten een proces dat bekend staat als gesuperviseerd diep leren om een ​​kunstmatige intelligentie te bouwen die in staat is om zwaartekrachtsgolfsignalen, begraven in ruis, correct te selecteren uit duizenden gesimuleerde datasets die ze hebben gemaakt.

Hunter Gabbard zei:"Deep learning-algoritmen omvatten gestapelde arrays van verwerkingseenheden, die we neuronen noemen, die fungeren als filters voor de invoergegevens. Gesuperviseerde deep learning stelt ons in staat om het systeem te 'leren' door middel van drie datasets die we leveren. De eerste dataset, de trainingsset, stelt ons in staat om ervoor te zorgen dat het 'leert' wat we willen. De seconde, de validatieset, laat ons zien dat het leert op de manier die we verwachten. De laatste reeks, de testset, helpt ons de prestaties van het systeem te kwantificeren."

"Wat dit proces sneller en efficiënter maakt dan matched-filtering, is dat de trainingsset is waar alle rekenintensieve activiteit plaatsvindt. Zodra het deep learning-algoritme leert waarnaar te zoeken in een signaal, het heeft het potentieel om orden van grootte sneller te zijn dan andere methoden."

Fergus Hayes voegde toe:"Tegelijkertijd we hebben ook een standaard matched-filterproces gebruikt om onze gesimuleerde zwaartekrachtgolfgegevens te doorzoeken, dus we konden de effectiviteit van onze deep learning-benadering vergelijken met behulp van een statistisch proces, figure-of-merit genaamd receiver-operator-karakteristiek (ROC)-curves.

"Met zorgvuldige afstemming en training van de deep learning-tool, we ontdekten dat die ROC-curven zeer vergelijkbare prestaties vertoonden tussen ons nieuwe proces en het matched-filterproces. Wat dat suggereert, is dat neurale netwerken een veelbelovende methode bieden om naar zwaartekrachtsgolfsignalen te zoeken."

Michael Williams voegde toe:"Hoewel we ons in dit artikel specifiek hebben geconcentreerd op detectie van binaire zwarte gaten, het proces zou gemakkelijk kunnen worden toegepast op andere soorten zwaartekrachtsgolfsignalen en we willen graag doorgaan met ons onderzoek. Het is een spannende bevinding, en suggereert een veelbelovend pad voorwaarts voor de intensievere zwaartekrachtsgolfastronomie die zal komen naarmate de detectoren gevoeliger worden."

Het artikel van de onderzoekers, getiteld "Matching matched filtering met diepe netwerken voor astronomie met zwaartekrachtgolven, " is gepubliceerd in Fysieke beoordelingsbrieven .