Подход машинного обучения может улучшить результаты поиска гравитационных волн в обсерватории

Пошаговый рабочий процесс нашего предлагаемого конвейера. Каждый шаг подробно описан в тексте §III-B. Автор: arXiv (2024). DOI: 10.48550/arxiv.2412.09832

Поиск закономерностей и снижение уровня шума в больших сложных наборах данных, генерируемых детектором гравитационных волн LIGO, стал проще благодаря работе ученых из Калифорнийского университета в Риверсайде.

Исследователи UCR представили доклад на недавнем семинаре IEEE по большим данным, продемонстрировав новый подход к машинному обучению без учителя для поиска новых закономерностей в данных вспомогательных каналов лазерной интерферометрической гравитационно-волновой обсерватории (LIGO). Эта технология также потенциально применима к крупномасштабным экспериментам с ускорителями частиц и большим сложным промышленным системам.

LIGO — это установка, которая обнаруживает гравитационные волны — кратковременные возмущения в ткани самого пространства-времени, создаваемые ускорением массивных тел. Она была первой, кто обнаружил такие волны от сливающихся черных дыр, подтвердив ключевую часть теории относительности Эйнштейна.

LIGO имеет два широко разнесенных интерферометра длиной 4 км — в Ханфорде, штат Вашингтон, и Ливингстоне, штат Луизиана, — которые работают вместе, чтобы обнаружить гравитационные волны, используя мощные лазерные лучи. Открытия, которые делают эти детекторы, предлагают новый способ наблюдения за Вселенной и решения вопросов о природе черных дыр, космологии и самых плотных состояниях материи во Вселенной.

Каждый из двух детекторов LIGO регистрирует тысячи потоков данных, или каналов, которые составляют выходные данные датчиков окружающей среды, расположенных в местах расположения детекторов.

«Подход к машинному обучению, который мы разработали в тесном сотрудничестве с уполномоченными LIGO и заинтересованными сторонами, позволяет самостоятельно выявлять закономерности в данных», — сказал Джонатан Ричардсон, доцент кафедры физики и астрономии, возглавляющий группу LIGO в Калифорнийском университете в Риверсайде.

«Мы обнаружили, что он чрезвычайно хорошо восстанавливает «состояния» окружающей среды, известные операторам на площадках детекторов LIGO, без какого-либо человеческого вмешательства. Это открывает дверь к новому мощному экспериментальному инструменту, который мы можем использовать для локализации шумовых связей и непосредственного руководства будущими усовершенствованиями детекторов».

Ричардсон объяснил, что детекторы LIGO чрезвычайно чувствительны к любому типу внешних возмущений. Движение грунта и любой тип вибрационного движения — от ветра до океанских волн, ударяющих по побережью Гренландии или Тихого океана — могут повлиять на чувствительность эксперимента и качество данных, что приведет к «сбоям» или периодам повышенных шумовых всплесков, сказал он.

«На объектах постоянно ведется мониторинг условий окружающей среды», — сказал он. «LIGO имеет более 100 000 вспомогательных каналов с сейсмометрами и акселерометрами, зондирующими среду, в которой расположены интерферометры. Разработанный нами инструмент может определять различные состояния окружающей среды, представляющие интерес, такие как землетрясения, микросейсмы и антропогенный шум, по ряду тщательно отобранных и курируемых каналов зондирования».

Вагелис Папалексакис, доцент кафедры компьютерных наук и инженерии, заведующий кафедрой компьютерных наук Ross Family Chair, представил доклад своей группы под названием «Многомерная кластеризация временных рядов для характеристики состояния окружающей среды наземных детекторов гравитационных волн» на 5-м международном семинаре IEEE по инструментам, моделям и вариантам использования больших данных и искусственного интеллекта для инновационных научных открытий, который состоялся в прошлом месяце в Вашингтоне, округ Колумбия. Работа опубликована на сервере препринтов arXiv.

«Наш подход к машинному обучению работает так: мы берем модель, которой поручено идентифицировать закономерности в наборе данных, и позволяем ей находить закономерности самостоятельно», — сказал Папалексакис. «Инструмент смог идентифицировать те же закономерности, которые очень близко соответствуют физически значимым состояниям окружающей среды, которые уже известны операторам и комиссарам на площадках LIGO».

Папалексакис добавил, что команда работала с LIGO Scientific Collaboration, чтобы обеспечить публикацию очень большого набора данных, который относится к анализу, представленному в исследовательской статье. Эта публикация данных позволяет исследовательскому сообществу не только подтвердить результаты команды, но и разработать новые алгоритмы, которые стремятся выявить закономерности в данных.

«Мы выявили интересную связь между внешним шумом окружающей среды и наличием определенных типов сбоев, которые портят качество данных», — сказал Папалексакис. «Это открытие может помочь устранить или предотвратить возникновение такого шума».

Команда организовала и работала по всем каналам LIGO около года. Ричардсон отметил, что публикация данных была крупным начинанием.

Ричардсон объяснил, что инструмент, разработанный командой, может извлекать информацию из сигналов многочисленных разнородных датчиков, которые измеряют различные возмущения вокруг площадок LIGO. Инструмент может извлекать информацию в единое состояние, сказал он, которое затем может использоваться для поиска ассоциаций временных рядов, когда возникали проблемы с шумом в детекторах LIGO, и соотносить их с состояниями окружающей среды площадок в это время.

«Если вы можете определить закономерности, вы можете вносить физические изменения в детектор — например, заменять компоненты», — сказал он. «Мы надеемся, что наш инструмент сможет пролить свет на пути физического шумового взаимодействия, которые позволят вносить действенные экспериментальные изменения в детекторы LIGO. Наша долгосрочная цель — использовать этот инструмент для обнаружения новых ассоциаций и новых форм состояний окружающей среды, связанных с неизвестными шумовыми проблемами в интерферометрах».

Пуян Гударзи, аспирант, работающий с Ричардсоном и являющийся соавтором статьи, подчеркнул важность публикации набора данных в открытом доступе.

«Обычно такие данные являются собственностью», — сказал он. «Тем не менее, нам удалось выпустить масштабный набор данных, который, как мы надеемся, приведет к более междисциплинарным исследованиям в области науки о данных и машинного обучения».

К Ричардсону, Папалексакису и Гударзи в исследовании присоединились Рутуя Гурав, аспирантка, работающая с Папалексакисом; Айзек Келли, студент летнего бакалавриата REU; Анамария Эффлер из обсерватории Ливингстона LIGO; и Барри Бариш, выдающийся профессор физики и астрономии Калифорнийского университета в Риверсайде.

Больше информации: Rutuja Gurav et al, Multivariate Time Series Clustering for Environmental State Characterization of Ground-Based Gravitational-Wave Detectors, arXiv (2024). DOI: 10.48550/arxiv.2412.09832

Источник: University of California - Riverside