Maschinelles Lernen könnte helfen, nach Gravitationswellen zu suchen

Künstliche Intelligenz in 5 Minuten erklärt (Juli 2019).

Anonim

Ein Trio von Studenten der Universität von Glasgow hat eine hoch entwickelte künstliche Intelligenz entwickelt, die die nächste Phase der Gravitationswellenastronomie untermauern könnte.

In einem neuen Artikel, der heute in der Zeitschrift Physical Review Letters veröffentlicht wurde, diskutieren die Forscher, wie sie mithilfe von Tools für künstliche Intelligenz ein AI-Gehirn zur Suche nach Gravitationswellen-Signalen trainieren.

Gravitationswellen, Wellen in der Raumzeit, verursacht durch massive astronomische Ereignisse, wurden zuerst von Albert Einstein 1915 angenommen. Es dauerte ein weiteres Jahrhundert, bis die Laser-Interferometrie-Gravitationswellen-Beobachtungsgeräte (LIGO) in den Vereinigten Staaten zuerst die sehr schwachen Signale von der Erde aufnahmen Kollision von binären schwarzen Löchern.

Seit dieser historischen ersten Detektion im September 2015 haben die Detektoren Advanced LIGO und European VIRGO zahlreiche Signale von anderen binären Schwarzen Löchern und eines von der Kollision von binären Neutronensternen aufgenommen.

Gegenwärtig werden Gravitationswellensignale aus dem Hintergrundrauschen der Detektoren unter Verwendung einer Technik, die als angepasste Filterung bekannt ist, ausgewählt, welche die Ausgaben von den Detektoren gegen eine Bank von Schablonenwellenformen misst. Signale, die mit der Form einer Schablonenwellenform übereinstimmen, werden dann genauer untersucht, um zu bestimmen, ob sie eine echte Gravitationswellendetektion darstellen.

Der Prozess erfordert jedoch viel Rechenleistung. Wenn die Detektoren aufgerüstet werden und ihre Empfindlichkeit gegenüber Gravitationswellensignalen zunimmt, erwarten die Astronomen, dass während jedes Beobachtungslaufs signifikant mehr Detektionen durchgeführt werden, was mit einer damit einhergehenden Erhöhung der erforderlichen Rechenleistung einhergeht.

Die Doktoranden der University of Glasgow Physik und Astronomie, Hunter Gabbard und Fergus Hayes, und der Student Michael Williams entschieden sich zu untersuchen, ob tiefes Lernen, eine Form künstlicher Intelligenz, dazu beitragen könnte, den Prozess der Erkennung rechnerisch effizienter zu machen.

Unter der Leitung des Astrophysikers Dr. Christopher Messenger der University of Glasgow nutzten sie einen Prozess, der als überwachtes Deep Learning bekannt ist, um eine künstliche Intelligenz aufzubauen, die in der Lage ist, Gravitationswellensignale aus Tausenden von simulierten Datensätzen, die sie erzeugt haben, korrekt auszusortieren.

Hunter Gabbard sagte: "Deep Learning-Algorithmen beinhalten gestapelte Arrays von Verarbeitungseinheiten, die wir Neuronen nennen, die als Filter für die Eingabedaten dienen. Betreutes Deep Learning ermöglicht es uns, das System durch drei von uns bereitgestellte Datensätze zu" lehren ". Der zweite Satz, der Validierungssatz, zeigt uns, dass er so lernt, wie wir es erwarten. Der letzte Satz, das Testset, hilft uns, die Systemleistung zu quantifizieren. "

"Was diesen Prozess schneller und effizienter als Matched-Filtering macht, ist, dass der Trainingssatz alle rechenintensiven Aktivitäten umfasst. Sobald der Deep-Learning-Algorithmus lernt, wonach er in einem Signal suchen soll, hat er das Potenzial, Größenordnungen zu bestimmen schneller als andere Methoden. "

Fergus Hayes fügte hinzu: "Gleichzeitig haben wir auch einen standardisierten Matched-Filtering-Prozess verwendet, um unsere simulierten Gravitationswellendaten zu durchsuchen, sodass wir die Wirksamkeit unseres Deep-Learning-Ansatzes mit einem statistischen Prozess-Leistungsmerkmal namens Empfänger vergleichen konnten Betreiberkennlinien (ROC).

"Mit sorgfältiger Abstimmung und Schulung des Deep-Learning-Tools stellten wir fest, dass diese ROC-Kurven eine sehr ähnliche Leistung zwischen unserem neuen Prozess und dem Matched-Filtering-Prozess aufwiesen. Dies deutet darauf hin, dass neuronale Netze eine sehr vielversprechende Methode zur Suche nach Gravitation darstellen Wellensignale. "

Michael Williams fügte hinzu: "Obwohl wir uns in diesem Artikel speziell auf die Erkennung von binären schwarzen Löchern konzentriert haben, könnte der Prozess leicht auf andere Arten von Gravitationswellen-Signalen angewendet werden und wir möchten unsere Forschung fortsetzen ein vielversprechender Weg für die intensivere Gravitationswellenastronomie, die kommen wird, wenn die Detektoren empfindlicher werden. "

Der Beitrag der Forscher mit dem Titel "Matching Matched Filtering mit tiefen Netzwerken für Gravitationswellenastronomie" ist in Physical Review Letters veröffentlicht.

menu
menu