Новый алгоритм ищет гравитационные волны за миллисекунды и справляется с помехами лучше классического метода
iXBT.com ·
Учёные испытали нейросеть, которая помогает искать гравитационные волны от сливающихся компактных объектов — например, чёрных дыр и нейтронных звёзд. В симуляциях алгоритм EasyResNet находил сигналы с эффективностью, сопоставимой с традиционным методом, а в условиях некоторых типов помех и при наличии физических эффектов, не учтённых в расчётных шаблонах, показывал лучшие результаты. При этом системе не требовался стандартный дополнительный статистический тест для отсеивания ложных срабатываний.
Основой современных поисков гравитационных волн служит метод согласованной фильтрации (matched filtering). Он сравнивает данные детектора с набором заранее рассчитанных шаблонов сигналов, которые ожидаются от определённых астрофизических событий. Такой подход позволяет находить слабые сигналы на фоне шума, но требует значительных вычислительных ресурсов. По мере увеличения объёмов данных и чувствительности будущих детекторов, включая проектируемый в Европе наземный детектор гравитационных волн Телескоп Эйнштейна (Einstein Telescope, ET), вычислительная нагрузка будет расти.
Сложность в том, что реальные сигналы не всегда точно соответствуют имеющимся шаблонам. Так, орбиты сливающихся объектов могут быть эксцентричными, оси вращения — прецессировать, а излучение может включать высшие моды. Если эти особенности не учтены в шаблонном наборе, то классический поиск может хуже распознавать сигнал. Дополнительные трудности создают кратковременные всплески шума — глитчи, которые могут имитировать признаки астрофизического события.
В предложенном подходе согласованную фильтрацию не заменяют нейросетью полностью, а объединяют с ней. Сначала данные преобразуют в карты, отображающие изменение отношения сигнал/шум во времени. Эти карты затем анализирует нейросеть EasyResNet. Она обучается различать характерные паттерны, соответствующие настоящим сигналам, и структуры, возникающие из-за шума или помех.
Важное отличие метода — возможность обходиться без стандартного критерия χ², который используют в традиционном поиске для проверки того, насколько обнаруженный сигнал согласуется с ожидаемым шаблоном, и для отсеивания некоторых глитчей. Нейросеть вместо этого учится распознавать различия между сигналами и помехами по их рисунку на картах отношения сигнал/шум.
Авторы провели 4 серии симуляций. Наиболее заметное преимущество нейросети проявилось в ситуациях, когда реальные сигналы отличались от предусмотренных шаблонов или данные содержали глитчи. В этих случаях EasyResNet сохраняла эффективность обнаружения на уровне стандартного поиска или превосходила его, одновременно обеспечивая более экономичный вычислительный процесс.
Авторы также сообщают о высокой скорости работы: обработка одной карты занимала около 3 миллисекунд на стандартном CPU без специальной оптимизации. При этом исследование пока остаётся проверкой концепции. Следующий этап — проверить EasyResNet на производственных конвейерах поиска гравитационных волн, применяемых коллаборацией LIGO–Virgo–KAGRA, и оценить, насколько меняются чувствительность обнаружения и вычислительные затраты при сравнении с полноценными существующими методами. Исследователи также планируют использовать более глубокие архитектуры и карты с более полной информацией о сигналах.
Авторы указывают на возможный способ сделать поиск гравитационных волн менее затратным по вычислениям, особенно когда данные содержат помехи или реальные сигналы отличаются от заранее рассчитанных шаблонов. Но пока что нельзя утверждать, что нейросеть сможет полностью заменить стандартные поисковые системы: её преимущества и ограничения ещё предстоит проверить на более полном наборе параметров и в работе на данных с детекторов.