автор: Дэвид Аппель, Phys.org
Начиная с прямого обнаружения гравитационных волн в 2015 году, ученые полагались на своего рода уловку: они могут обнаружить только те волны, которые соответствуют теоретическим предсказаниям, что, скорее, противоречит тому, как обычно работает наука.
Теперь группа физиков предложила вычислительную модель , которая могла бы улавливать все гравитационные волны, проходящие мимо Земли, а не только ожидаемые. Статья опубликована на сервере препринтов arXiv .
Спустя десятилетия после того, как Эйнштейн обнаружил, что его общая теория относительности предсказывает гравитационные волны — движущиеся ряби в ткани пространства-времени, — физики вычислили их ожидаемые сигнатуры для нескольких простых сценариев. Одним из них была проходящая волновая форма для слияний черных дыр с черными дырами, которая была первой такой волной, обнаруженной по интерферометрическим данным, полученным 14 сентября 2015 года. (Статья была опубликована только в феврале следующего года.)
Предположив событие, которое породило волны, ученые-гравитологи смогли предсказать точный сигнал, который появится в длиннолучевых лазерных интерферометрических установках, таких как LIGO (имеет два местоположения в США), VIRGO в Италии, а также несколько других по всему миру).
Наблюдателям нужно было знать, чего ожидать, чтобы натренировать свои интерферометры на то, что искать, поскольку проходящая волна сдвинет плечи интерферометра всего на тысячную ширину протона. Шум окружающей среды, даже проезжающие грузовики, могли легко вызвать движение в плечах, которое нужно было отфильтровать, чтобы отличить настоящую гравитационную волну.
Расчеты также были выполнены для слияний нейтронных звезд и черных дыр и нейтронных звезд и нейтронных звезд. Кроме того, из данных можно было почерпнуть сигнатуру непрерывных гравитационных волн, создаваемых быстро вращающимися симметричными нейтронными звездами и стохастическими гравитационными волнами, например, от Большого взрыва. Используя эти модели, в целом было обнаружено более семи десятков событий гравитационных волн.
Но этот метод пропускает гравитационные волны , которые не появляются в форме одного из известных предсказаний, известных как «транзиенты» или «всплески гравитационных волн», от неожиданных событий, основанных на другой физике. Кроме того, сегодняшние методы обнаружения слишком медленные.
После прохождения гравитационной волны астрономы хотят иметь возможность быстро определить ее источник, чтобы информировать другие обсерватории о необходимости поиска сопутствующих электромагнитных или корпускулярных событий из того же источника — это известно как многоканальная астрономия.
Электромагнитное излучение, включая видимый свет , и нейтрино ожидаются от определенной большой, бурной астрофизической активности, включая обычные слияния бинарных пар. При приеме возможного гравитационного волнового поезда обработка и связь с другими приборами в настоящее время могут потребовать сотен специализированных процессоров и занять десятки секунд или даже минут, что слишком медленно для «предупреждения о предупреждениях».
В последние годы физики пытаются преодолеть ограничения формы сигнала, используя сверточные нейронные сети (CNN), тип специализированного алгоритма глубокого обучения, чтобы избежать использования детекторов, обученных распознавать только определенные события.
Однако на сегодняшний день запрограммированные CNN все еще требуют точной модели целевого сигнала для обучения, и поэтому не будут замечать неожиданные источники, такие как ожидаемые от коллапса ядра сверхновых и длинных гамма-всплесков. Как неизвестная физика, так и вычислительные ограничения могут разрушить любые шансы обнаружения многопосылок.
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, в то время как вторая CNN ищет корреляцию между детекторами, чтобы исключить совпадающий фоновый шум или сбои.
Таким образом, «наш поиск использует машинное обучение и призван помочь направить «традиционные» телескопы на такой источник за 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 принципиально отличался от предыдущих методов: вместо того, чтобы обучать сверточную нейронную сеть распознавать определенные формы сигналов в данных, они создали сверточные нейронные сети, которые могли определять согласованность по силе и времени между двумя или более потоками данных.
Затем CNN обучались с использованием имитированных сигналов и случайных шумовых всплесков, имеющих схожие характеристики. Используя одни и те же шаблоны формы волны для сигналов и шума, CNN не приходилось полагаться на шаблон сигнала для принятия решений; вместо этого CNN учились оценивать, насколько хорошо детекторы согласуются друг с другом, что давало их моделям возможность истинного обнаружения гравитационно-волновых переходных процессов в реальном времени.
В качестве теста они проанализировали данные наблюдений для первых двух запусков LIGO и VIRGO и обнаружили хорошее соответствие.
«В 1960-х годах гамма-всплески стали новым астрофизическим сюрпризом, когда гамма-астрономия делала свои первые шаги», — сказал Склирис. «Астрономия гравитационных волн находится в том же раннем возрасте, и нас может ждать захватывающее будущее».
Дополнительная информация: Василиос Склирис и др., Обнаружение в реальном времени немоделированных гравитационно-волновых переходных процессов с использованием сверточных нейронных сетей, arXiv (2020). DOI: 10.48550/arxiv.2009.14611
Информация о журнале: arXiv
© 2024 Сеть Science X