Гравітаційні хвилі — це коливання самого простору, які народжуються під час злиття нейтронних зір та чорних дір. Досі кожного разу, як один із гігантських детекторів вловлював їх, доводилося проводити ціле розслідування, аби встановити, звідки вони прийшли. Але тепер вчені створили алгоритм машинного навчання, що здатний передбачати ці події.
![Передбачення гравітаційних хвиль Передбачення гравітаційних хвиль](https://universemagazine.com/wp-content/uploads/2024/07/creation-of-a-deep-lea-1024x813.jpg)
Пошук гравітаційних хвиль
Починаючи з прямого виявлення гравітаційних хвиль у 2015 році, вчені покладалися на певну похибку: вони можуть виявити лише ті хвилі, які відповідають теоретичним прогнозам, а це явно не той шлях, що зазвичай використовується в науці.
Тепер група фізиків запропонувала обчислювальну модель, яка може вловити всі гравітаційні хвилі, що проходять повз Землю, а не лише очікувані.
Через десятиліття після того, як Ейнштейн виявив, що його загальна теорія відносності передбачила гравітаційні хвилі — пульсації, що подорожують у тканині простору-часу, — фізики розрахували їхні очікувані сигнатури для кількох простих сценаріїв. Одним із них була форма хвилі при злитті чорної діри з чорною дірою, яка стала першою такою хвилею, виявленою на основі інтерферометричних даних, отриманих 14 вересня 2015 року.
Спостерігачам потрібно було знати, чого очікувати, щоб навчити свої інтерферометри, що саме шукати, адже хвиля, котра проходила повз них, могла зрушити плечі інтерферометра лише на тисячну частину ширини протона. Шум навколишнього середовища, навіть вантажівки, що проїжджали повз, могли легко спричинити рух плечей, який треба було відфільтрувати, щоб розрізнити справжню гравітаційну хвилю.
Розрахунки також були проведені для злиття нейтронної зорі з чорною дірою і злиття нейтронної зорі з нейтронною зорею. Крім того, з даних можна було отримати сигнатуру безперервних гравітаційних хвиль, що генеруються симетричними нейтронними зорями, які швидко обертаються, і стохастичних гравітаційних хвиль, що виникають, наприклад, внаслідок Великого вибуху. Використовуючи ці моделі, загалом було виявлено понад сім десятків гравітаційних хвиль.
Розмаїття гравітаційних хвиль
Але цей метод пропускає гравітаційні хвилі, які не з’являються у формі одного з передбачень, відомих як «перехідні процеси» або «сплески гравітаційних хвиль», від несподіваних подій, що ґрунтуються на іншій фізиці. Крім того, сучасні методи виявлення є надто повільними.
Після проходження гравітаційної хвилі астрономи хочуть мати можливість швидко визначити її джерело, щоб повідомити іншим обсерваторіям, аби вони шукали будь-які супутні електромагнітні або корпускулярні події з того ж джерела — так звана астрономія з багатьма співрозмовниками.
Електромагнітне випромінювання, включаючи видиме світло, і нейтрино очікуються від певної великої, бурхливої астрофізичної активності, зокрема звичайне злиття бінарних пар. Після отримання можливого потоку гравітаційних хвиль обробка і зв’язок з іншими інструментами в цей час може вимагати сотні спеціальних процесорів і займати десятки секунд або навіть хвилин, що занадто повільно для попередження «на випередження».
Алгоритми машинного навчання для пошуку хвиль
Останніми роками фізики намагаються подолати обмеження, пов’язані з формами хвиль, використовуючи згорткові нейронні мережі (CNN), тип спеціалізованого алгоритму глибокого навчання, щоб уникнути детекторів, навчених розпізнавати лише певні події.
Однак на сьогодні запрограмовані CNN все ще потребують точної моделі цільового сигналу для навчання і тому не помічають несподіваних джерел, таких як ті, що очікуються від колапсу ядра наднових і довгих гамма-сплесків. Невідома фізика та обчислювальні обмеження можуть знищити будь-які шанси на виявлення багатомісного сигналу.
Тому дослідники поставили собі за мету використовувати один процесор і повідомляти про події гравітаційних хвиль приблизно за секунду. Вони розробили багатокомпонентну архітектуру, в якій одна CNN виявляє перехідні процеси, що відбуваються одночасно в кількох детекторах, тоді як друга шукає кореляцію між детекторами, щоб усунути випадковий фоновий шум або збої.
«Наш пошук використовує машинне навчання і має на меті допомогти спрямувати «традиційні» телескопи на таке джерело за лічені секунди, — сказав Васілеос Скліріс з Інституту гравітаційних досліджень при Школі фізики й астрономії Кардіффського університету в Уельсі (Велика Британія). — Таким чином, ми зможемо витягти максимум інформації з таких несподіваних подій».
Підхід групи до глибокого навчання суттєво відрізнявся від попередніх методів: замість того, щоб навчати CNN ідентифікувати конкретні форми сигналів у даних, вони створили CNN, які могли виявляти узгодженість у силі та часі між двома або більше потоками даних.
Потім CNN навчали за допомогою імітованих сигналів і випадкових сплесків шуму, які мають схожі характеристики. Завдяки використанню однакових форм сигналів і шуму нейронні мережі не могли покладатися на форму сигналу для прийняття рішень; натомість вони навчилися оцінювати, наскільки добре детектори узгоджуються один з одним, що дозволило їхнім моделям виявляти гравітаційно-хвильові перехідні процеси в реальному часі.
«У 1960-х роках, коли астрономія гамма-випромінювання робила свої перші кроки, сплески гамма-випромінювання були новою астрофізичною несподіванкою, — сказав Скліріс. — Астрономія гравітаційних хвиль перебуває в такому ж ранньому віці, й, можливо, на нас чекає захопливе майбутнє».
За матеріалами phys.org