Inteligencia artificial analiza las ondas gravitacionales en tiempo real

Los agujeros negros son uno de los mayores misterios de nuestro Universo; por ejemplo, un agujero negro con la masa de nuestro Sol tiene un radio de solo 3 kilómetros.

Los agujeros negros en órbita entre sí emiten radiación gravitacional: oscilaciones de espacio y tiempo predichas por Albert Einstein en 1916.

Esto hace que la órbita se vuelva más rápida y estrecha y, finalmente, los agujeros negros se fusionen en un estallido final de radiación.

Estas ondas gravitacionales se propagan por el Universo a la velocidad de la luz y son detectadas por observatorios en los EE. UU. (LIGO) e Italia (Virgo).

Los científicos comparan los datos recopilados por los observatorios con las predicciones teóricas para estimar las propiedades de la fuente, incluido el tamaño de los agujeros negros y la velocidad a la que giran.

Actualmente, este procedimiento lleva al menos horas, a menudo meses.

Un equipo interdisciplinario de investigadores del Instituto Max Planck de Sistemas Inteligentes (MPI-IS) en Tübingen y el Instituto Max Planck de Física Gravitacional (Instituto Albert Einstein/AEI) en Potsdam está utilizando métodos de aprendizaje automático de última generación para acelerar este proceso.

Desarrollaron un algoritmo utilizando una red neuronal profunda, un código de computadora complejo construido a partir de una secuencia de operaciones más simples, inspiradas en el cerebro humano.

En segundos, el sistema infiere todas las propiedades de la fuente binaria del agujero negro.

“Nuestro método puede hacer declaraciones muy precisas en unos pocos segundos sobre qué tan grandes y masivos eran los dos agujeros negros que generaron las ondas gravitacionales cuando se fusionaron.

¿Qué tan rápido giran los agujeros negros, qué tan lejos están de la Tierra y en qué dirección?“. ¿Se acerca la onda gravitacional?

Podemos deducir todo esto a partir de los datos observados e incluso hacer afirmaciones sobre la precisión de este cálculo “, explica Maximilian Dax, primer autor del estudio Real-Time Gravitational Wave Science with Neural Posterior Estimation y Ph.D . estudiante del Departamento de Inferencia Empírica de MPI-IS.

Los investigadores entrenaron la red neuronal con muchas simulaciones: señales de ondas gravitacionales predichas para sistemas hipotéticos de agujeros negros binarios combinados con ruido de los detectores.

De esta manera, la red aprende las correlaciones entre los datos de ondas gravitacionales medidos y los parámetros que caracterizan el sistema de agujero negro subyacente.

El algoritmo llamado DINGO tarda diez días en aprender.

Entonces está listo para su uso: la red deduce el tamaño, los giros y todos los demás parámetros que describen los agujeros negros a partir de los datos de ondas gravitacionales recién observadas en solo unos segundos.

El análisis de alta precisión decodifica ondas en el espacio-tiempo casi en tiempo real, algo que nunca se había hecho con tanta velocidad y precisión.

Los investigadores están convencidos de que el rendimiento mejorado de la red neuronal, así como su capacidad para manejar mejor las fluctuaciones de ruido en los detectores, harán de este método una herramienta muy útil para futuras observaciones de ondas gravitacionales.

“Cuanto más miramos en el espacio a través de detectores cada vez más sensibles, más señales de ondas gravitacionales se detectan.

Los métodos rápidos como el nuestro son esenciales para analizar todos estos datos en un período de tiempo razonable“, dice Stephen Green, científico senior en el Departamento de Astrofísica y Relatividad Cosmológica de la AEI.

“DINGO tiene la ventaja de que, una vez entrenado, puede analizar nuevos eventos muy rápidamente.

Es importante destacar que también proporciona estimaciones detalladas de incertidumbre sobre los parámetros, que han sido difíciles de producir en el pasado utilizando métodos de aprendizaje automático“.

Hasta ahora, los investigadores de las colaboraciones de LIGO y Virgo han utilizado algoritmos computacionalmente que consumen mucho tiempo para analizar los datos.

Necesitan millones de nuevas simulaciones de formas de onda gravitacionales para la interpretación de cada medición, lo que lleva a tiempos de cálculo de varias horas a meses.

DINGO evita esta sobrecarga porque una red entrenada no necesita más simulaciones para analizar los datos recién observados, un proceso conocido como ‘inferencia amortizada’.

El método es prometedor para señales de ondas gravitacionales más complejas que describen configuraciones binarias de agujero negro, cuyo uso en los algoritmos actuales hace que los análisis consuman mucho tiempo, y para estrellas de neutrones binarias.

Mientras que la colisión de los agujeros negros libera energía exclusivamente en forma de ondas gravitacionales, las estrellas de neutrones fusionadas también emiten radiación en el espectro electromagnético.

Por lo tanto, también son visibles para telescopios que deben apuntar a la región respectiva del cielo lo más rápido posible para observar el evento.

Para hacer esto, es necesario determinar muy rápidamente de dónde proviene la onda gravitacional, como lo facilita el nuevo método de aprendizaje automático.

En el futuro, esta información podría usarse para apuntar telescopios a tiempo para observar señales electromagnéticas de las colisiones de estrellas de neutrones y de una estrella de neutrones con un agujero negro.

Alessandra Buonanno, directora de AEI, y Bernhard Schölkopf, director de MPI-IS, están encantados con la perspectiva de llevar su exitosa colaboración al siguiente nivel.

Buonanno espera que “en el futuro, estos enfoques también permitirán un tratamiento mucho más realista del ruido del detector y de las señales gravitacionales de lo que es posible en la actualidad con técnicas estándar“, y Schölkopf agrega que dicha “inferencia basada en simulación que usa el aprendizaje automático podría ser transformador en muchas áreas de la ciencia donde necesitamos inferir un modelo complejo a partir de observaciones ruidosas”.

Fuente: Max Planck Institute