Создание алгоритма глубокого обучения для обнаружения неожиданных гравитационно-волновых событий

Сигнал гравитационной волны, полученный детектором LIGO (оранжевый), накладывается на теоретические предсказания общей теории относительности (зеленый) и появление ожидаемого сигнала в детекторе (синий). Автор: Physics magazine, APS [https://physics.aps.org/articles/v9/52]

Начиная с прямого обнаружения гравитационных волн в 2015 году, ученые полагались на небольшую хитрость: они могут обнаруживать только те волны, которые соответствуют теоретическим предсказаниям, что является скорее противоположным способом, которым обычно занимается наука.

Спустя десятилетия после того, как Эйнштейн обнаружил, что его общая теория относительности предсказывает гравитационные волны — бегущую рябь в ткани пространства-времени, — физики рассчитали их ожидаемые характеристики для нескольких простых сценариев. Одной из них была проходящая волна слияния черных дыр с черными дырами, которая была первой такой волной, обнаруженной на основе интерферометрических данных, полученных 14 сентября 2015 года. (Документ был опубликован только в феврале следующего года.)

Предположив событие, вызвавшее волны, ученые-гравитологи смогли предсказать точный сигнал, который появится в лазерных интерферометрических установках с длинным рукавом, таких как LIGO (у которого есть два объекта в США), VIRGO в Италии, а также в некоторых других вокруг. мир).

Наблюдателям нужно было знать, чего ожидать, чтобы научить свои интерферометры тому, что искать, потому что проходящая волна могла бы сдвинуть плечи интерферометра только на тысячную ширину протона. Шум окружающей среды, даже проезжающие грузовики, мог легко вызвать движение в рукавах, которое нужно было отфильтровать, чтобы различить настоящую гравитационную волну.

Также были выполнены расчеты для слияний нейтронной звезды с черной дырой и слияний нейтронной звезды с нейтронной звездой. Кроме того, из данных можно было бы почерпнуть признаки непрерывных гравитационных волн, создаваемых быстро вращающимися симметричными нейтронными звездами, и стохастических гравитационных волн, например, от Большого взрыва. С помощью этих моделей всего было обнаружено более семи десятков гравитационно-волновых событий.

Но этот метод пропускает гравитационные волны, которые не появляются в форме одного из известных предсказаний, известных как «переходные процессы» или «всплески гравитационных волн», из неожиданных событий, основанных на различных физиках. Кроме того, сегодняшние методы обнаружения слишком медленны.

После прохождения гравитационной волны астрономы хотят иметь возможность быстро определить ее источник, чтобы информировать другие обсерватории о необходимости поиска любых сопутствующих электромагнитных или элементарных событий из того же источника — это известно как астрономия с несколькими посланиями.

Электромагнитное излучение, включая видимый свет, и нейтрино ожидается в результате определенной крупной и бурной астрофизической активности, включая обычные слияния двойных пар. После приема возможного потока гравитационных волн обработка и связь с другими инструментами в настоящее время могут потребовать сотен специализированных процессоров и занять десятки секунд или даже минут, что слишком медленно для предупреждения «хедз-ап».

В последние годы физики пытались улучшить ограничения формы сигналов, используя сверточные нейронные сети (CNN), тип специализированного алгоритма глубокого обучения, чтобы избежать детекторов, обученных распознавать только определенные события.

Однако на сегодняшний день запрограммированные CNN по-прежнему требуют точной модели целевого сигнала для обучения и поэтому не замечают неожиданных источников, таких как те, которые ожидаются от коллапса ядра сверхновых и длинных гамма-всплесков. И неизвестная физика, и вычислительные ограничения могут свести на нет любые шансы на обнаружение нескольких сообщений.

Здесь исследователи поставили цель использовать один процессор и сообщать о гравитационно-волновых событиях примерно за секунду. Они разработали многокомпонентную архитектуру, в которой одна CNN обнаруживает переходные процессы, которые происходят одновременно в нескольких детекторах, а вторая CNN ищет корреляцию между детекторами для устранения совпадающих фоновых шумов или сбоев.

Таким образом, «наш поиск использует машинное обучение и направлен на то, чтобы помочь направить «традиционные» телескопы на такой источник за считанные секунды», — сказал Василеос Склирис из Института гравитационных исследований Школы физики и астрономии Кардиффского университета в Уэльс, Великобритания. «Таким образом, мы сможем извлечь как можно больше информации из таких неожиданных событий».

Подход группы к глубокому обучению кардинально отличался от предыдущих методов: вместо того, чтобы обучать 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 были обучены с использованием смоделированных сигналов и случайных всплесков шума, имеющих схожие характеристики. Используя одни и те же шаблоны формы сигналов как для сигналов, так и для шума, CNN не могли полагаться на шаблон сигнала для принятия решений; вместо этого CNN учатся оценивать, насколько хорошо детекторы согласуются друг с другом, что дает их моделям возможность истинного обнаружения в реальном времени переходных процессов гравитационных волн.

В качестве теста они проанализировали данные наблюдений для первых двух запусков LIGO и VIRGO и обнаружили хорошее согласие.

«Еще в 1960-х годах гамма-всплески были новым астрофизическим сюрпризом, когда гамма-астрономия делала свои первые шаги», — сказал Склирис. «Астрономия гравитационных волн находится в таком же раннем возрасте, и нас может ждать захватывающее будущее».

Больше информации: Vasileios Skliris et al, Real-Time Detection of Unmodelled Gravitational-Wave Transients Using Convolutional Neural Networks, arXiv (2020). DOI: 10.48550/arxiv.2009.14611