El algoritmo de autocomprobación interpreta los datos de ondas gravitacionales

Cuando dos agujeros negros se fusionan, emiten ondas gravitacionales que viajan a través del espacio y el tiempo a la velocidad de la luz. Cuando estos llegan a la Tierra, grandes detectores en los Estados Unidos (LIGO), Italia (Virgo) y Japón (KAGRA) pueden detectar las señales. Al comparar con las predicciones teóricas, los científicos pueden determinar las propiedades de los agujeros negros: masas, giros, orientación, posición en el cielo y distancia de la Tierra.

Un equipo de investigadores del Departamento de Inferencia Empírica del Instituto Max Planck para Sistemas Inteligentes (MPI-IS) en Tübingen y del Departamento de Relatividad Astrofísica y Cosmológica del Instituto Max Planck de Física Gravitacional (Instituto Albert Einstein/AEI) en Potsdam ha ahora desarrolló un sistema de aprendizaje profundo de autocomprobación que extrae información con mucha precisión de los datos de ondas gravitacionales.

En el proceso, el sistema verifica sus propias predicciones sobre los parámetros de la fusión de los agujeros negros: una red neuronal profunda con una red de seguridad. El algoritmo analizó con éxito un conjunto de 42 ondas gravitacionales detectadas a partir de la fusión de agujeros negros: cuando se compararon con algoritmos estándar computacionalmente costosos, los resultados fueron indistinguibles. El estudio fue publicado el 26 de abril de 2023 en la revista Cartas de revisión física.

DINGO: una red neuronal profunda para el análisis de ondas gravitacionales

Los investigadores han desarrollado una red neuronal profunda llamada DINGO (Deep INference for Gravitational-wave Observations) para analizar los datos. DINGO ha sido entrenado para extraer, o inferir, los parámetros de la fuente de ondas gravitacionales a partir de los datos del detector. La red aprendió a interpretar datos de ondas gravitacionales reales (observados) después de entrenarse con muchos millones de señales simuladas en diferentes configuraciones.

Sin embargo, a primera vista, no es posible saber si la red neuronal profunda está leyendo la información correctamente. De hecho, una desventaja de los sistemas comunes de aprendizaje profundo es que sus resultados parecen plausibles incluso cuando están equivocados. Es por eso que los investigadores de MPI-IS y AEI agregaron una función de control al algoritmo.

Maximilian Dax, estudiante de doctorado en el Departamento de Inferencia Empírica de MPI-IS y primer autor de la publicación, explica: «Hemos desarrollado una red con una red de seguridad. En primer lugar, el algoritmo calcula las propiedades de los agujeros negros a partir de la gravedad medida. señal de onda. Sobre la base de estos parámetros calculados, se modela una onda gravitacional y luego se compara con la señal observada originalmente. La red neuronal profunda puede así cotejar sus propios resultados y corregirlos en caso de duda».

El algoritmo se controla a sí mismo, lo que lo hace mucho más confiable que los métodos de aprendizaje automático anteriores. Pero no solo eso. «Nos sorprendió descubrir que el algoritmo a menudo puede identificar eventos anómalos, es decir, datos reales que no concuerdan con nuestros modelos teóricos. Esta información se puede usar para ‘marcar’ rápidamente los datos para una investigación adicional», dice Stephen Green, coautor principal. , y ex científico sénior de AEI (ahora en la Universidad de Nottingham).

«Podemos garantizar la precisión de nuestro método de aprendizaje automático, lo que casi nunca sucede en el campo del aprendizaje profundo. Por lo tanto, se vuelve convincente para la comunidad científica usar el algoritmo para analizar datos de ondas gravitacionales», dice Alessandra Buonanno, autora y directora. del Departamento de Relatividad Astrofísica y Cosmológica de la AEI. Científicos de todo el mundo están estudiando las ondas gravitacionales en grandes colaboraciones, como LIGO Scientific Collaboration (LSC), en la que están organizados más de 1.500 investigadores.

Bernhard Schölkopf, director de MPI-IS, agrega: «Hoy, DINGO analiza datos de ondas gravitacionales, pero este método de autocontrol y autocorrección también es interesante para otras aplicaciones científicas en las que es crucial poder corroborar la exactitud de los métodos de redes neuronales de ‘caja negra'».