Escuche ondas gravitacionales con aprendizaje profundo

Esta publicación invitada fue escrita por Paolo Cremonese, estudiante de doctorado en la Universidad de Szczecin en Polonia. El efecto de onda de las lentes de ondas gravitacionales se estudia para restringir los parámetros astrofísicos y cosmológicos asociados con estos eventos. Fuera de la universidad, le encanta jugar y ver deportes, y viaja tanto como puede.

Título: Explore la detección de ondas gravitacionales y la inferencia de parámetros utilizando métodos de aprendizaje profundo

Autores: João D. Álvares, José A Font, Felipe Freitas, et al.

La primera institución de autorUniversidad de Do Minho, Braga, Portugal

condiciónPublicado en Gravedad Clásica y Cuántica [closed access]

La detección y el estudio de las ondas gravitacionales es un campo emocionante y en expansión en la astrofísica. El aprendizaje profundo es una herramienta poderosa y efectiva que se puede utilizar para clasificar datos en muchas áreas. ¿Podemos aplicar el aprendizaje profundo para estudiar GW? ¡El periódico de hoy dice que sí!

Poniéndole oído al universo

los La primera detección de una señal de onda gravitacionalpor Observatorio de ondas gravitacionales láser (LEGO) en 2015Y el Abre un nuevo ojo en el universo. De hecho, abrí, por primera vez, un oído al universo. De hecho, las ondas gravitacionales se parecen más al sonido que a la luz. No producen fotones, por lo que no podemos obtener una imagen adecuada de las fuentes y, al igual que las ondas de sonido, emiten en todas las direcciones. En lugar de propagarse a través del aire, se propagan a través del propio espacio-tiempo y pueden resultar de algunos de los eventos más poderosos del universo: la fusión de agujeros negros y/o estrellas de neutrones.

El principal problema en la detección de ondas gravitacionales es que las señales son muy débiles, y aunque los detectores se encuentran entre los Los dispositivos más sensibles jamás construidosla señal se puede obtener enterrado en el ruido. Estos ruidos pueden ser causados ​​por la actividad sísmica, la fluctuación de los átomos que componen el detector, la electrónica utilizada en el dispositivo y muchas otras pequeñas perturbaciones. Por tanto, la mejor manera de conocer la señal inmersa en este ruido es saber de antemano qué estamos buscando. La forma estándar, y computacionalmente costosa, de hacer esto es usar Filtrado coincidenteque compara la señal que medimos con un índice de señales conocidas para encontrar la mejor coincidencia.

Entonces, ¿cómo podemos identificar estas señales de manera más eficiente? El diario de hoy dice aprendizaje profundo. Después de todo, el propósito del aprendizaje profundo es Clasificación y reconocimiento de patrones. El aprendizaje profundo se basa en el hecho de que ya sabemos lo que estamos buscando y usamos este conocimiento para decidir rápidamente si nuestros datos contienen características conocidas. Por ejemplo, si entrenamos el algoritmo para que reconozca las características de un gato, dado un conjunto de fotos de mascotas, puede clasificar aquellas con gatos, como se muestra en la Figura 1. Esto es exactamente lo que hicieron los autores de la investigación, excepto que buscaron señales de ondas gravitacionales de LIGO en lugar de gatos.

Figura 1: Ejemplo esquemático de un algoritmo de aprendizaje profundo para el reconocimiento de imágenes de gatos. A través de los datos de entrenamiento, el algoritmo extrae las características distintivas de cada especie animal. Al clasificar nuevas imágenes, el algoritmo explotará estas características conocidas para identificar las especies animales apropiadas. (Crédito de la imagen: MathWorks)

Sumérjase profundamente en los datos de ondas gravitacionales

El aprendizaje profundo funciona bien como algoritmo de procesamiento de imágenes, pero los datos sin procesar producidos por los detectores GW no son realmente adecuados para este tipo de estudio. señales de ondas gravitacionales Detectado en términos de estrés, o la cantidad de expansión y compresión del espacio-tiempo por una onda gravitatoria. Para convertir esto en una imagen, los autores crearon Espectro, que traza la intensidad de la señal en función de la frecuencia a lo largo del tiempo, a partir de los datos de tensión. Como se muestra en la Figura 2, los autores utilizaron datos de los tres detectores GW actualmente en uso: LEGO HanfordY el LEGO Livingston Y el Virgen. Asignaron a cada detector un color (rojo, verde y azul, respectivamente) y luego unieron las imágenes para crear una imagen en color que describiera el evento. Esta imagen, finalmente, se adapta bien al estudio del aprendizaje profundo.

El siguiente paso es entrenar el algoritmo para reconocer eventos de ondas gravitacionales. Cuantos más datos haya en el conjunto de entrenamiento, mejor será el reconocimiento. Para un evento de onda gravitacional típico, una fusión binaria compacta (por ejemplo, dos agujeros negros que se fusionan), el espectrograma predicho se entiende bien y se puede simular para muchos estados diferentes. Por lo tanto, los autores simularon una gran cantidad de eventos: en total, se generaron más de 80 000 imágenes para entrenar el algoritmo y 25 000 imágenes para probarlo.

Figura 2: Espectrogramas de la señal en varios detectores. los eje x describir el tiempo y eje y Frecuencia de eventos GW. A los detectores se les asignan colores, rojo para Hanford, verde para Livingstone y azul para Virgo, que luego se combinan para formar una imagen en color del evento. (Fig. 1a en el documento)

¿Funciona el aprendizaje profundo?

Los autores descubrieron que el algoritmo de aprendizaje profundo es muy adecuado para identificar señales de ondas gravitacionales. Pudieron identificar las 10 señales de la primera ronda de observación, O1, y 34 de los 37 eventos (excluyendo los eventos de fusión de estrellas de neutrones) en la segunda ruta de observación, O2. Los tres eventos no reconocidos probablemente se excluyeron porque, como enfatizaron los autores, los algoritmos estaban optimizados para la sensibilidad O1. También pudieron inferir parámetros de eventos, como bloque de chirrido y la distancia, como se muestra en la Figura 3.

Figura 3: Parámetros del evento GW. Los resultados de LIGO se muestran en verde, mientras que los parámetros esperados del documento se muestran en azul y rojo. Sobre el eje x Encontramos los tres parámetros diferentes que se muestran en la figura: chirp mass, distancia de parpadeo Y el rotación activa; Sobre el eje y son eventos O1. Los dos hallazgos concuerdan en todos estos eventos. (Fig. 11b del artículo)

Estos resultados muestran que el aprendizaje profundo es efectivo para encontrar señales de ondas gravitacionales enterradas en el ruido. En lugar de pasar por un proceso largo y computacionalmente difícil de buscar señales, como puede ser el filtrado combinado, el aprendizaje profundo puede encontrarlas rápidamente en una fracción del tiempo. Esto podría ser increíblemente útil en el futuro, ya que los detectores como LIGO se actualizan a una mayor sensibilidad y notará un número cada vez mayor de eventos.

Editado por Missy Houston
Imagen destacada de Alvares et al.