När gravitationsvågor först upptäcktes 2015 av den avancerade Laser Interferometer Gravitational-Wave Observatory (LIGO), de skickade en krusning genom det vetenskapliga samfundet, eftersom de bekräftade en annan av Einsteins teorier och markerade födelsen av gravitationsvågastronomi. Fem år senare, många gravitationsvågkällor har upptäckts, inklusive den första observationen av två kolliderande neutronstjärnor i gravitations- och elektromagnetiska vågor.

När LIGO och dess internationella partners fortsätter att uppgradera sina detektorers känslighet för gravitationsvågor, de kommer att kunna sondera en större volym av universum, vilket gör detektionen av gravitationsvågskällor till en daglig händelse. Denna upptäcktsflod kommer att inleda en era av precisionsastronomi som tar hänsyn till extrasolära budbärarfenomen, inklusive elektromagnetisk strålning, gravitationsvågor, neutriner och kosmiska strålar. Förverkliga detta mål, dock, kommer att kräva ett radikalt omtänkande av befintliga metoder som används för att söka efter och hitta gravitationsvågor.

Nyligen, beräkningsforskare och ledare för translationell artificiell intelligens (AI) Eliu Huerta från U.S. Department of Energy's (DOE) Argonne National Laboratory, i samarbete med medarbetare från Argonne, University of Chicago, University of Illinois i Urbana-Champaign, NVIDIA och IBM, har utvecklat ett nytt AI-ramverk i produktionsskala som möjliggör accelererad, skalbar och reproducerbar detektering av gravitationsvågor.

Detta nya ramverk indikerar att AI-modeller kan vara lika känsliga som traditionella mallmatchningsalgoritmer, men storleksordningar snabbare. Vidare, dessa AI-algoritmer skulle bara kräva en billig grafikprocessorenhet (GPU), som de som finns i videospelsystem, att bearbeta avancerad LIGO-data snabbare än i realtid.

AI-ensemblen som användes för denna studie bearbetade en hel månad – augusti 2017 – med avancerad LIGO-data på mindre än sju minuter, distribuera datasetet över 64 NVIDIA V100 GPU:er. AI-ensemblen som användes av teamet för denna analys identifierade alla fyra binära svarta hålssammanslagningar som tidigare identifierats i den datamängden, och rapporterade inga felklassificeringar.

"Som datavetare, vad är spännande för mig med det här projektet, sa Ian Foster, chef för Argonnes Data Science and Learning (DSL) division, "är att det visar hur, med rätt verktyg, AI-metoder kan integreras naturligt i forskarnas arbetsflöden – vilket gör det möjligt för dem att göra sitt arbete snabbare och bättre – vilket ökar, inte ersätter, mänsklig intelligens."

Att använda olika resurser, detta tvärvetenskapliga och multiinstitutionella team av samarbetspartners har publicerat en artikel i Natur astronomi visar upp ett datadrivet tillvägagångssätt som kombinerar teamets samlade superdatorresurser för att möjliggöra reproducerbara, accelererad, AI-driven gravitationsvågdetektering.

"I den här studien, vi har använt den kombinerade kraften hos AI och superdatorer för att hjälpa till att lösa aktuella och relevanta big-data-experiment. Vi gör nu AI-studier fullt reproducerbara, inte bara för att fastställa om AI kan ge en ny lösning på stora utmaningar, sa Huerta.

Bygger på det här projektets tvärvetenskapliga karaktär, teamet ser fram emot nya tillämpningar av detta datadrivna ramverk bortom stora datautmaningar inom fysik.

"Detta arbete belyser det betydande värdet av datainfrastruktur för det vetenskapliga samfundet, sa Ben Blaiszik, en forskare vid Argonne och University of Chicago. "De långsiktiga investeringarna som har gjorts av DOE, National Science Foundation (NSF), National Institutes of Standards and Technology och andra har skapat en uppsättning byggstenar. Det är möjligt för oss att sammanföra dessa byggstenar på nya och spännande sätt för att skala denna analys och för att hjälpa till att leverera dessa förmågor till andra i framtiden."

Huerta och hans forskargrupp utvecklade sitt nya ramverk med stöd av NSF, Argonnes Laboratory Directed Research and Development (LDRD)-program och DOE:s Innovative and Novel Computational Impact on Theory and Experiment (INCITE)-program.

"Dessa NSF-investeringar innehåller original, innovativa idéer som har ett betydande löfte om att förändra sättet att bearbeta vetenskapliga data som kommer i snabba strömmar. De planerade aktiviteterna för med sig accelererad och heterogen datorteknik till många vetenskapliga praktikgemenskaper, " sa Manish Parashar, direktör för Office of Advanced Cyberinfrastructure på NSF.