En trio studenter från University of Glasgow har utvecklat en sofistikerad artificiell intelligens som kan ligga till grund för nästa fas av gravitationsvågastronomin.

I en ny artikel publicerad idag i tidningen Fysiska granskningsbrev , forskarna diskuterar hur de använde verktyg för artificiell intelligens för att träna en AI -hjärna för att söka efter gravitationella vågsignaler.

Gravitationsvågor, krusningar i rymdtiden orsakade av massiva astronomiska händelser, antogs först av Albert Einstein 1915. Det tog ytterligare ett sekel innan Laser Interferometry Gravitational-Wave Observatory (LIGO) -detektorerna i USA först tog upp de mycket svaga signalerna från kollisionen av binära svarta hål.

Sedan den historiska första upptäckten i september 2015, de avancerade LIGO- och europeiska VIRGO -detektorerna har tagit emot många signaler från andra binära svarta hål och en från kollisionen mellan binära neutronstjärnor.

För närvarande, gravitationsvågssignaler plockas från bakgrundsbruset från detektorerna med hjälp av en teknik som kallas matchad filtrering, som mäter utsignalerna från detektorerna mot en bank med mallvågformer. Signaler som matchar formen av en mallvågform undersöks sedan närmare för att avgöra om de representerar en äkta gravitationsvågdetektering.

Dock, processen kräver mycket datorkraft. När detektorerna uppgraderas och deras känslighet för gravitationella vågsignaler ökar, astronomer förväntar sig att det kommer att göras betydligt fler upptäckter under varje observationsrunda, med sig en åtföljande ökning av erforderlig datorkraft.

Universitetet i Glasgow Fysik och astronomi doktorander Hunter Gabbard och Fergus Hayes och grundutbildningen Michael Williams bestämde sig för att undersöka om djupinlärning, en form av artificiell intelligens, kan hjälpa till att göra detekteringsprocessen mer beräkningsmässigt effektiv.

Under ledning av University of Glasgow astrofysiker Dr. Christopher Messenger, de använde en process som kallas övervakad djupinlärning för att bygga en artificiell intelligens som korrekt kan plocka ut gravitationella vågsignaler begravda i brus från tusentals simulerade datamängder som de skapade.

Hunter Gabbard sa:"Djupinlärningsalgoritmer involverar staplade matriser av processorenheter, som vi kallar neuroner, som fungerar som filter för indata. Övervakad djupinlärning gör att vi kan ”lära” systemet genom tre datamängder vi tillhandahåller. Den första datamängden, träningsuppsättningen, tillåter oss att se till att det "lär sig" vad vi vill. Den andra, valideringsuppsättningen, visar oss att det lär sig på det sätt vi förväntar oss. Den sista uppsättningen, testuppsättningen, hjälper oss att kvantifiera systemets prestanda. "

"Det som gör den här processen snabbare och mer effektiv än matchad filtrering är att träningsuppsättningen är där all beräkningstung aktivitet sker. När deep learning-algoritmen lär sig vad man ska leta efter i en signal, det har potential att vara storleksordningar snabbare än andra metoder. "

Fergus Hayes tillade:"Samtidigt, vi använde också en standardmatchad filtreringsprocess för att sålla igenom våra simulerade gravitationsvågdata, så att vi kunde jämföra effektiviteten av vårt djupinlärningssätt med hjälp av en statistisk process-of-merit kallad mottagaroperatörskarakteristik (ROC) kurvor.

"Med noggrann inställning och utbildning av djupinlärningsverktyget, vi fann att dessa ROC-kurvor visade en mycket liknande prestanda mellan vår nya process och den matchade filtreringsprocessen. Det som tyder på är att neurala nätverk ger en mycket lovande metod för att söka efter gravitationsvågssignaler. "

Michael Williams tillade:"Även om vi i detta papper har koncentrerat oss specifikt på detektering av binära svarta hål, processen kan enkelt tillämpas på andra typer av gravitationsvågssignaler och vi är angelägna om att fortsätta vår forskning. Det är ett spännande fynd, och föreslår en mycket lovande väg framåt för den mer intensiva gravitationsvågastronomin som kommer när detektorerna blir känsligare. "

Forskarnas papper, med titeln "Matchande matchad filtrering med djupa nätverk för gravitationsvågs astronomi, "publiceras i Fysiska granskningsbrev .