Ученые использовали нейросеть для обнаружения гравитационных волн
Ученые из Национального центра суперкомпьютерных приложений (NCSA), расположенного в Университете штата Иллинойс в Урбана-Шампейн, впервые использовали глубокое обучение нейронных сетей для быстрого обнаружения и характеристики гравитационных волн.
Этот новый подход позволит астрономам изучать гравитационные волны с использованием минимальных вычислительных ресурсов, сокращая время до открытия и увеличивая научный охват астрофизики гравитационных волн. Это новаторское исследование было недавно опубликовано в Physical Letters B.
Объединив алгоритмы глубокого обучения, численное моделирование относительности слияния черных дыр, полученные с помощью инструментария Einstein Toolkit, запущенного на суперкомпьютере Blue Waters, а также данные из открытого научного центра LIGO, исследователи группы NCSA Gravity Group Даниэль Джордж и Элиу Уэрта выпустили Deep Filtering, метод обработки сигналов временного ряда.
Глубокая фильтрация обеспечивает аналогичную чувствительность и более низкие ошибки по сравнению с установленными алгоритмами детектирования гравитационных волн, в тоже время она намного эффективнее по сравнению с шумовыми аномалиями. Этот метод позволяет быстрее обрабатывать гравитационные волны в исходных данных LIGO, а также позволяет обнаруживать новые классы источников гравитационных волн, которые могут остаться незамеченными с существующими алгоритмами обнаружения.
Группа Gravity Group NCSA использовала ресурсы NCSA из своей Лаборатории инновационных систем, суперкомпьютер Blue Waters от NCSA и сотрудничала с талантливыми сотрудниками в Университете штата Иллинойс. Также решающими для этого исследования были графические процессоры (Tesla P100 и DGX-1), предоставляемые NVIDIA, что позволило ускорить обучение нейронных сетей. Wolfram Research также сыграла важную роль, поскольку язык Wolfram использовался для создания этой основы для глубокого обучения.
«Мы впервые использовали глубокое обучение со сверхточными нейронными сетями, которые используют временные ряды для быстрого обнаружения и характеристики сигналов гравитационных волн. Этот подход, Deep Filtering, был первоначально продемонстрирован с использованием имитируемого шума LIGO. В нашей работе мы представляем расширение Deep Filtering с использованием реальных данных от LIGO для обнаружения и оценки параметров гравитационных волн из слияний двойных черных дыр с использованием непрерывных потоков данных из нескольких детекторов LIGO. Мы впервые демонстрируем, что машинное обучение может обнаруживать и оценивать истинные параметры реальных событий, наблюдаемых LIGO.» — говорят исследователи.
Больше информации: Daniel George et al. Deep learning for real-time gravitational wave detection and parameter estimation: Results with advanced LIGO data, Physics Letters B (2017). DOI: 10.1016/j.physletb.2017.12.053