Inteligencia artificial para detectar eventos inesperados de ondas gravitacionales

A partir de la detección directa de ondas gravitacionales en 2015, los científicos se han basado en una pifia: solo pueden detectar aquellas ondas que coinciden con las predicciones teóricas, que es más bien lo contrario a como se suele hacer la ciencia.

Ahora un grupo de físicos ha presentado un modelo computacional que podría capturar todas las ondas gravitacionales que pasan por la Tierra, en lugar de sólo las esperadas.

Décadas después de que Einstein descubriera que su teoría general de la relatividad predecía ondas gravitacionales (ondas que viajan en el tejido del espacio-tiempo), los físicos calcularon las firmas esperadas para algunos escenarios simples.

Una fue la forma de onda de paso para las fusiones de agujeros negros entre agujeros negros, que fue la primera onda de este tipo detectada a partir de datos interferométricos recibidos el 14 de septiembre de 2015.

Asumiendo el evento que produjo las ondas, los científicos gravitacionales pudieron predecir la señal exacta que aparecería en las instalaciones interferométricas láser de brazo largo como LIGO (que tiene dos ubicaciones en los EE. UU.), VIRGO en Italia y varias otras alrededor. el mundo).

Los observadores necesitaban saber qué esperar para poder entrenar sus interferómetros sobre qué buscar, porque una onda pasajera sólo movería los brazos del interferómetro una milésima del ancho de un protón.

El ruido ambiental, incluso el de los camiones, podía provocar fácilmente movimientos en los brazos, que debían filtrarse para distinguir una onda gravitacional real.

También se realizaron cálculos para fusiones de estrellas de neutrones y agujeros negros y fusiones de estrellas de neutrones y estrellas de neutrones.

Además, a partir de los datos se podría extraer la firma de ondas gravitacionales continuas producidas por estrellas de neutrones simétricas que giran rápidamente y ondas gravitacionales estocásticas de, por ejemplo, el Big Bang.

Utilizando estos modelos, se han detectado en total más de siete docenas de eventos de ondas gravitacionales.

Pero este método pasa por alto las ondas gravitacionales que no aparecen en la forma de una de las predicciones conocidas, conocidas como “transitorios” o “ráfagas de ondas gravitacionales“, provenientes de eventos inesperados basados ​​en diferentes físicas.

Además, los métodos de detección actuales son demasiado lentos.

Después de que pasa una onda gravitacional, los astrónomos quieren poder identificar rápidamente su fuente para informar a otros observatorios que busquen cualquier evento electromagnético o de partículas que la acompañe desde la misma fuente, lo que se conoce como astronomía de múltiples mensajeros.

Se espera que la radiación electromagnética, incluida la luz visible, y los neutrinos provengan de cierta actividad astrofísica intensa y violenta, incluidas las habituales fusiones de pares binarios.

Tras la recepción de un posible tren de ondas gravitacionales, el procesamiento y la comunicación con otros instrumentos pueden requerir actualmente cientos de unidades de procesamiento dedicadas y tardar decenas de segundos o incluso minutos, lo que es demasiado lento para una advertencia de “aviso”.

En los últimos años, los físicos han intentado mejorar las limitaciones de las formas de onda mediante el uso de redes neuronales convolucionales (CNN), un tipo de algoritmo especializado de aprendizaje profundo, para evitar detectores entrenados para reconocer solo ciertos eventos.

Sin embargo, hasta la fecha, las CNN que se han programado todavía requieren un modelo preciso de la señal objetivo para el entrenamiento, por lo que no detectarán fuentes inesperadas como las que se anticipan por el colapso del núcleo de las supernovas y los largos estallidos de rayos gamma.

Tanto la física desconocida como los límites computacionales podrían arruinar cualquier posibilidad de detección de múltiples mensajes.

Aquí, los investigadores se fijaron el objetivo de utilizar un solo procesador e informar sobre eventos de ondas gravitacionales en aproximadamente un segundo.

Desarrollaron una arquitectura de múltiples componentes en la que una CNN detecta transitorios que son simultáneos en múltiples detectores, mientras que una segunda CNN busca la correlación entre los detectores para eliminar el ruido de fondo coincidente o los fallos.

De este modo, “nuestra búsqueda utiliza el aprendizaje automático y pretende ayudar a apuntar los telescopios ‘tradicionales’ hacia dicha fuente en cuestión de segundos“, dijo Vasileos Skliris del Instituto de Exploración de la Gravedad de la Facultad de Física y Astronomía de la Universidad de Cardiff en Gales, Reino Unido.

“De esta manera, podremos extraer la mayor cantidad de información posible de eventos tan inesperados”.

El enfoque de aprendizaje profundo del grupo se diferenciaba de los métodos anteriores en un aspecto crucial: en lugar de enseñarle a una CNN a identificar formas de señales específicas en los datos, crearon CNN que podían detectar la coherencia en la intensidad y el tiempo entre dos o más flujos de datos.

Luego, las CNN se entrenaron utilizando señales simuladas y ráfagas de ruido aleatorias que tienen características similares.

Al utilizar los mismos patrones de forma de onda tanto para las señales como para el ruido, se impidió que las CNN confiaran en el patrón de la señal para tomar decisiones; en cambio, las CNN aprenden a evaluar qué tan bien coinciden los detectores entre sí, lo que permite a sus modelos la posibilidad de una verdadera detección en tiempo real de transitorios de ondas gravitacionales.

Como prueba, ejecutaron los datos observados para las dos primeras ejecuciones de LIGO y VIRGO y encontraron una buena concordancia.

“En la década de 1960, los estallidos de rayos gamma fueron la nueva sorpresa astrofísica cuando la astronomía de rayos gamma dio sus primeros pasos“, dijo Skliris.

“La astronomía de ondas gravitacionales se encuentra en esa misma edad temprana y es posible que tengamos un futuro emocionante por delante”.

Fuente: Phys.org