Гравитационные волны — это колебания самого пространства, которые рождаются при слиянии нейтронных звезд и черных дыр. До сих пор каждый раз, когда один из гигантских детекторов улавливал их, приходилось проводить целое расследование, чтобы установить, откуда они пришли. Но сейчас ученые создали метод машинного обучения, способный предугадывать эти действия.
![Предсказание гравитационных волн Предсказание гравитационных волн](https://universemagazine.com/wp-content/uploads/2024/07/creation-of-a-deep-lea-1024x813.jpg)
Поиск гравитационных волн
Начиная с прямого обнаружения гравитационных волн в 2015 году, ученые полагались на определенную погрешность: они могут обнаружить только те волны, которые соответствуют теоретическим прогнозам, а это явно не тот путь, который обычно используется в науке.
Теперь группа физиков предложила вычислительную модель, которая может уловить все гравитационные волны, проходящие мимо Земли, а не только ожидаемые.
Спустя десятилетие после того, как Эйнштейн обнаружил, что его общая теория относительности предусмотрела гравитационные волны — пульсации, путешествующие в ткани пространства-времени, — физики рассчитали их ожидаемые сигнатуры для нескольких простых сценариев. Одним из них была форма волны при слиянии черной дыры с черной дырой, которая стала первой волной, обнаруженной на основе интерферометрических данных, полученных 14 сентября 2015 года.
Наблюдателям нужно было знать, чего ожидать, чтобы научить свои интерферометры, что именно искать, ведь проходящая мимо волна могла сдвинуть плечи интерферометра лишь на тысячную часть ширины протона. Шум окружающей среды, даже проезжавшие мимо грузовики могли легко повлиять на движение плеч, которое нужно было отфильтровать, чтобы различить настоящую гравитационную волну.
Расчеты также были произведены для слияния нейтронной звезды с черной дырой и слияния нейтронной звезды с нейтронной звездой. Кроме того, из данных можно было получить сигнатуру непрерывных гравитационных волн, генерируемых быстро вращающимися симметричными нейтронными звездами, и стохастических гравитационных волн, возникающих, например, вследствие Большого взрыва. Используя эти модели, было обнаружено более семи десятков гравитационных волн.
Разнообразие гравитационных волн
Но этот метод пропускает гравитационные волны, не появляющиеся в форме одного из предсказаний, известных как «переходные процессы» или «всплески гравитационных волн», от неожиданных событий, основанных на другой физике. Кроме того, современные методы обнаружения слишком медленные.
После прохождения гравитационной волны астрономы хотят иметь возможность быстро определить ее источник, чтобы сообщить другим обсерваториям, чтобы они искали какие-либо сопутствующие электромагнитные или корпускулярные события из того же источника — так называемая астрономия со многими собеседниками.
Электромагнитное излучение, включая видимый свет, и нейтрино ожидаются от определенной большой, бурной астрофизической активности, включая обычное слияние бинарных пар. После получения возможного потока гравитационных волн обработка и связь с другими инструментами в настоящее время может потребовать сотни специальных процессоров и занимать десятки секунд или даже минут, что слишком медленно для предупреждения «на опережение».
Алгоритмы машинного обучения для поиска волн
В последние годы физики пытаются преодолеть ограничения, связанные с формами волн, используя сверточные нейронные сети (CNN), тип специализированного алгоритма глубокого обучения, чтобы избежать детекторов, обученных распознавать только определенные события.
Однако на сегодняшний день запрограммированные CNN все еще нуждаются в точной модели целевого сигнала для обучения, и поэтому не замечают неожиданных источников, таких как ожидаемые от коллапса ядра сверхновых и длинных гамма-всплесков. Неизвестная физика и вычислительные ограничения могут уничтожить любые шансы выявления многоместного сигнала.
Поэтому исследователи задались целью использовать один процессор и сообщать о событиях гравитационных волн примерно за секунду. Они разработали многокомпонентную архитектуру, в которой одна CNN обнаруживает переходные процессы, происходящие одновременно в нескольких детекторах, тогда как вторая ищет корреляцию между детекторами, чтобы устранить случайный шум или сбои.
«Наш поиск использует машинное обучение и стремится помочь направить «традиционные» телескопы на такой источник в считанные секунды, — сказал Василеос Склирис из Института гравитационных исследований при Школе физики и астрономии Кардиффского университета в Уэльсе (Великобритания). — Таким образом, мы сможем извлечь максимум информации из таких неожиданных событий».
Подход группы к глубокому обучению существенно отличался от предыдущих методов: вместо того, чтобы учить CNN идентифицировать конкретные формы сигналов в данных, они создали CNN, которые могли обнаруживать согласованность в силе и времени между двумя или более потоками данных.
Затем CNN обучали с помощью имитированных сигналов и случайных всплесков шума, имеющих схожие характеристики. Благодаря использованию одинаковых форм сигналов и шума нейронные сети не могли полагаться на форму сигнала для принятия решений; они научились оценивать, насколько хорошо детекторы согласовываются друг с другом, что позволило их моделям выявлять гравитационно-волновые переходные процессы в реальном времени.
«В 1960-х годах, когда астрономия гамма-излучения делала свои первые шаги, всплески гамма-излучения были новой астрофизической неожиданностью, — сказал Склирис. — Астрономия гравитационных волн находится в таком же раннем возрасте, и, возможно, нас ждет увлекательное будущее».
По материалам phys.org