Científicos del Centro Nacional de Aplicaciones de Supercomputación (NCSA), ubicado en la Universidad de Illinois en Urbana-Champaign, han sido pioneros en el uso del aprendizaje profundo acelerado por GPU para la detección y caracterización rápidas de ondas gravitacionales. Este nuevo enfoque permitirá a los astrónomos estudiar las ondas gravitacionales utilizando recursos computacionales mínimos, reduciendo el tiempo de descubrimiento y aumentando el alcance científico de la astrofísica de ondas gravitacionales. Esta innovadora investigación fue publicada recientemente en Letras de física B .

Combinando algoritmos de aprendizaje profundo, simulaciones de relatividad numérica de fusiones de agujeros negros, obtenidas con el kit de herramientas de Einstein ejecutado en la supercomputadora Blue Waters, y datos del LIGO Open Science Center, Los investigadores de NCSA Gravity Group, Daniel George y Eliu Huerta, produjeron Deep Filtering, un método de procesamiento de señales de serie temporal de extremo a extremo. El filtrado profundo logra sensibilidades similares y menores errores en comparación con los algoritmos de detección de ondas gravitacionales establecidos, mientras que es mucho más eficiente computacionalmente y más resistente a las anomalías de ruido. El método permite un procesamiento más rápido que en tiempo real de ondas gravitacionales en los datos sin procesar de LIGO, y también permite nueva física, ya que puede detectar nuevas clases de fuentes de ondas gravitacionales que pueden pasar desapercibidas con los algoritmos de detección existentes. George y Huerta están ampliando este método para identificar en tiempo real las contrapartes electromagnéticas de los eventos de ondas gravitacionales en los datos futuros del LSST.

Gravity Group de NCSA aprovechó los recursos de NCSA de su Laboratorio de sistemas innovadores, La supercomputadora Blue Waters de NCSA, y colaboró ​​con talentoso personal interdisciplinario en la Universidad de Illinois. También fueron fundamentales para esta investigación las GPU (Tesla P100 y DGX-1) proporcionadas por NVIDIA, lo que permitió un entrenamiento acelerado de redes neuronales. Wolfram Research también jugó un papel importante, ya que se utilizó Wolfram Language para crear este marco para el aprendizaje profundo.

George y Huerta trabajaron con los investigadores de NVIDIA y Wolfram para crear esta demostración para visualizar la arquitectura del filtrado profundo, y conocer su actividad neuronal durante la detección y caracterización de eventos de ondas gravitacionales reales. Esta demostración destaca todos los componentes del filtrado profundo, exhibiendo su sensibilidad de detección y rendimiento computacional.