Forskare vid National Center for Supercomputing Applications (NCSA), belägen vid University of Illinois i Urbana-Champaign, har föregått användningen av GPU-accelererad djupinlärning för snabb upptäckt och karakterisering av gravitationella vågor. Denna nya metod kommer att göra det möjligt för astronomer att studera gravitationella vågor med minimala beräkningsresurser, minska tiden till upptäckt och öka den vetenskapliga räckvidden för gravitationell vågastrofysik. Denna innovativa forskning publicerades nyligen i Fysikbokstäver B .

Kombinera djupinlärningsalgoritmer, numeriska relativitetssimuleringar av sammanslagningar av svarta hål - erhållna med Einstein Toolkit som körs på Blue Waters superdator - och data från LIGO Open Science Center, NCSA Gravity Group -forskare Daniel George och Eliu Huerta producerade Deep Filtering, en end-to-end tidsseriesignalbehandlingsmetod. Deep Filtering uppnår liknande känsligheter och lägre fel jämfört med etablerade gravitationella vågdetekteringsalgoritmer, samtidigt som de är mycket mer beräkningseffektiva och mer motståndskraftiga mot brusavvikelser. Metoden möjliggör snabbare än realtidsbehandling av gravitationsvågor i LIGOs rådata, och möjliggör också ny fysik, eftersom den kan upptäcka nya klasser av gravitationsvågkällor som kan gå obemärkt förbi med befintliga detektionsalgoritmer. George och Huerta utökar denna metod för att i realtid hitta elektromagnetiska motsvarigheter till gravitationella våghändelser i framtida LSST-data.

NCSA:s Gravity Group utnyttjade NCSA-resurser från sitt Innovative Systems Laboratory, NCSA:s Blue Waters superdator, och samarbetade med begåvad tvärvetenskaplig personal vid University of Illinois. Också avgörande för denna forskning var GPU:erna (Tesla P100 och DGX-1) från NVIDIA, vilket möjliggjorde en snabbare utbildning av neurala nätverk. Wolfram Research spelade också en viktig roll, som Wolfram-språket användes för att skapa detta ramverk för djupinlärning.

George och Huerta arbetade med NVIDIA- och Wolfram -forskare för att skapa denna demo för att visualisera arkitekturen för Deep Filtering, och för att få insikter om dess neuronala aktivitet under detektering och karakterisering av verkliga gravitationella våghändelser. Denna demo belyser alla komponenter i djupfiltrering, uppvisar sin detekteringskänslighet och beräkningsprestanda.