• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  •  science >> Ciencia >  >> Física
    El aprendizaje automático podría ayudar a buscar ondas gravitacionales

    Una visualización de una simulación de supercomputadora de la fusión de agujeros negros que envían ondas gravitacionales. Crédito:NASA / C. Henze

    Un trío de estudiantes de la Universidad de Glasgow ha desarrollado una sofisticada inteligencia artificial que podría sustentar la siguiente fase de la astronomía de ondas gravitacionales.

    En un nuevo artículo publicado hoy en la revista Cartas de revisión física , Los investigadores discuten cómo utilizaron herramientas de inteligencia artificial para entrenar un 'cerebro' de IA para buscar señales de ondas gravitacionales.

    Ondas gravitacionales, ondas en el espacio-tiempo causadas por eventos astronómicos masivos, Albert Einstein planteó la hipótesis por primera vez en 1915. Pasó otro siglo antes de que los detectores del Observatorio de ondas gravitacionales de interferometría láser (LIGO) en los Estados Unidos captaran por primera vez las señales muy débiles de la colisión de agujeros negros binarios.

    Desde esa primera detección histórica en septiembre de 2015, los detectores Advanced LIGO y European VIRGO han captado numerosas señales de otros agujeros negros binarios y uno de la colisión de estrellas de neutrones binarios.

    En la actualidad, Las señales de ondas gravitacionales se seleccionan del ruido de fondo de los detectores mediante una técnica conocida como filtrado adaptado. que mide las salidas de los detectores contra un banco de formas de onda de plantilla. Las señales que coinciden con la forma de una onda de plantilla se examinan más de cerca para determinar si representan una detección de onda gravitacional genuina.

    Sin embargo, el proceso requiere una gran cantidad de potencia informática. A medida que se actualizan los detectores y aumenta su sensibilidad a las señales de ondas gravitacionales, Los astrónomos esperan que se realicen significativamente más detecciones durante cada ejecución de observación, trayendo consigo un aumento en la potencia de cálculo requerida.

    Los estudiantes de posgrado de Física y Astronomía de la Universidad de Glasgow, Hunter Gabbard y Fergus Hayes, y el estudiante universitario Michael Williams decidieron investigar si el aprendizaje profundo, una forma de inteligencia artificial, podría ayudar a que el proceso de detección sea más eficiente computacionalmente.

    Bajo la dirección del astrofísico de la Universidad de Glasgow, Dr. Christopher Messenger, utilizaron un proceso conocido como aprendizaje profundo supervisado para construir una inteligencia artificial capaz de seleccionar correctamente las señales de ondas gravitacionales enterradas en el ruido de miles de conjuntos de datos simulados que crearon.

    Hunter Gabbard dijo:"Los algoritmos de aprendizaje profundo implican matrices apiladas de unidades de procesamiento, que llamamos neuronas, que actúan como filtros para los datos de entrada. El aprendizaje profundo supervisado nos permite 'enseñar' el sistema a través de tres conjuntos de datos que proporcionamos. El primer conjunto de datos, el conjunto de entrenamiento, nos permite asegurarnos de que está "aprendiendo" lo que queremos. El segundo, el conjunto de validación, nos muestra que está aprendiendo de la manera que esperamos. El set final, el equipo de prueba, nos ayuda a cuantificar el rendimiento del sistema ".

    "Lo que hace que este proceso sea más rápido y más eficiente que el filtrado combinado es que el conjunto de entrenamiento es donde ocurre toda la actividad computacionalmente intensiva. Una vez que el algoritmo de aprendizaje profundo aprende qué buscar en una señal, tiene el potencial de ser órdenes de magnitud más rápido que otros métodos ".

    Fergus Hayes agregó:"Al mismo tiempo, también utilizamos un proceso estándar de filtrado combinado para examinar nuestros datos de ondas gravitacionales simuladas, por lo que podríamos comparar la efectividad de nuestro enfoque de aprendizaje profundo utilizando una figura de mérito de proceso estadístico llamada curvas de características del operador del receptor (ROC).

    "Con un cuidadoso ajuste y entrenamiento de la herramienta de aprendizaje profundo, Descubrimos que esas curvas ROC mostraron un rendimiento muy similar entre nuestro nuevo proceso y el proceso de filtrado emparejado. Lo que eso sugiere es que las redes neuronales proporcionan un método muy prometedor para buscar señales de ondas gravitacionales ".

    Michael Williams agregó:"Aunque en este artículo nos hemos concentrado específicamente en las detecciones binarias de agujeros negros, el proceso podría aplicarse fácilmente a otros tipos de señales de ondas gravitacionales y estamos ansiosos por continuar nuestra investigación. Es un hallazgo emocionante y sugiere un camino muy prometedor para la astronomía de ondas gravitacionales más intensiva que vendrá a medida que los detectores se vuelvan más sensibles ".

    El artículo de los investigadores, titulado "Coincidencia de filtrado coincidente con redes profundas para la astronomía de ondas gravitacionales, "se publica en Cartas de revisión física .

    © Ciencia https://es.scienceaq.com