跳到主要内容

话题

 重力

重力

人工智能发现引力波

01 May 2018
模拟黑洞合并 等 /物理莱特牧师)" />
伪噪声:来自二进制黑洞合并的模拟信号,该信号已嵌入到噪声中(礼貌:H Gabbard /物理莱特牧师)

英国的物理学家创建了一种可以从背景噪声中筛选出重力波信号的深度学习系统。深度学习是一种受神经启发的模式识别技术,已被应用于图像处理,语音识别和医学诊断等领域。 克里斯·梅森斯 格拉斯哥大学的同事和他们的研究表明,他们的系统与常规信号处理一样有效,并且具有更快地识别重力波信号的潜力。

引力波是时空的波动,可以使用LIGO-Virgo探测器观察到。LIGO-Virgo探测器是激光干涉仪,具有成对的臂,成对的臂长数公里,彼此成直角。当波通过地球时,它在挤压另一只手臂时会非常轻微地拉伸一只手臂,同时挤压另一只手臂,然后再拉伸第二只,依此类推。这会产生一系列微小但独特的振荡,这些振荡被记录为仪器测量到的干涉图样的变化。

2015年9月,美国的两个LIGO探测器探测到了第一个被检测到的重力波。与从那时起观察到的信号不同,这些振动在原始数据中肉眼可见。通常,重力波信号会被噪声(地震,热运动或光子统计数据)淹没,如果要产生信号,则必须使用计算机算法将其滤除。

模板匹配

通常,使用称为匹配滤波的技术从噪声中拾取信号。这涉及将干涉仪记录的振荡与一系列模板进行比较,这些模板代表由不同的天体物理学事件产生的波形,这些波形是使用后牛顿方程和相对论方程计算的。观测数据与任何模板之间的显着匹配意味着可以进行检测,而模板中的波形类型可以揭示引起上述重力波的原因。

但是,需要对大量模板进行比较以确保结果准确,这意味着匹配的过滤需要大量的处理能力并且非常耗时。在最新的工作中,该团队表明,通过使用机器学习而非传统算法,可以潜在地减少所需的时间。他们的系统依赖于神经网络,就像大脑一样,神经网络由处理单元的层组成,这些处理单元在收到特定输入时会触发。

系统的输入层保存来自干涉仪的原始数据-一系列与手臂张力变化有关的数字。这些数据被馈送到由神经元组成的九个内部层中的第一层,其输出取决于输入数据和应用于每个神经元的权重。然后,这些输出形成下一层的输入,依此类推,系统结束于最后一层,该层仅由两个神经元组成,每个神经元生成的概率值为0到1。一个神经元揭示了原始数据的可能性。包含一个信号,而另一个则描述了它仅包含噪声的可能性。

训练重量

最初,神经元的权重是随机设置的,并且通过将其暴露于一系列样本数据集来“训练”该系统,其中一半由来自被“高斯”噪声覆盖的二进制黑洞合并产生的引力波信号组成,而另一半仅包含高斯噪声。分别将系统计算出的概率值与(已知)数据类型(信号或噪声)进行比较,然后在称为反向传播的过程中使用错误程度逐层调整神经元权重。这个想法是,经过足够的迭代,网络可以可靠地将信号与噪声区分开。

Messenger用其一半的数据集训练了他们的系统,然后同事们给了它20,000个新波形,以查看可以正确识别多少个波形。他们还使用匹配滤波分析了同一组波形。他们发现,这两种技术的性能几乎相同-它们以非常相似的方式依赖于信噪比和将噪声误认为信号的可能性来找到掩埋信号的能力。但是,由于深度学习的大量计算发生在训练期间,因此这项新技术要快得多,只需花费几秒钟即可分析所有未知波形,而无需花费数小时。

据格拉斯哥小组成员称 猎人加巴德 ,随着干涉仪变得更加灵敏并更频繁地检测引力波,这种更高的速度可能会派上用场。他说,这可以帮助提醒天文学家注意来自合并中子星的信号,以便他们可以将望远镜对准有问题的天空,并在其消失之前拾取伴随的电磁辐射。

识别故障

但是,格拉斯哥小组并不是唯一将人工智能应用于重力波检测的小组。尤其是, 丹尼尔·乔治 艾留·韦尔塔(Eliu Huerta) 美国伊利诺伊大学(University of Illinois)的大学已经发表了两篇论文,表明深度学习可以 操作速度比匹配滤波快几个数量级。他们还使用他们的神经网络来估计重力波信号的特性,例如辐射黑洞的质量以及 分析真实的(而非模拟的)LIGO数据。他们指出,此类数据可以包含所谓的 小故障 –可以模仿信号的噪声–以及纯高斯噪声。

罗里·史密斯 澳大利亚莫纳什大学的学生对深度学习的潜力持谨慎态度。他说,它“有一天能显示出希望”,表明它可能被证明对区分天体信号和小故障特别有用,但他更喜欢开发基于物理学的“原理”方法。 “那里’在没有诉诸黑匣子技术的情况下,仍有很大的空间可以更好地理解我们拥有的信号和数据。”

Messenger和同事在 体检信.

 

 

版权©2020年由IOP 出版 Ltd和个人贡献者