ИИ-алгоритм обнаруживает гравитационные волны за считаные миллисекунды и эффективнее традиционного метода противостоит шумам

Исследователи протестировали нейросеть, которая призвана упростить поиск гравитационных волн от слияний компактных объектов, таких как чёрные дыры и нейтронные звёзды. В ходе симуляций EasyResNet обнаруживала сигналы с эффективностью, сравнимой с традиционным подходом. При некоторых видах помех, а также при физических эффектах, которых нет в расчётных шаблонах, она справлялась даже лучше. Кроме того, ей не требовался обычный дополнительный статистический тест, который применяют для отсева ложных срабатываний.

Фундаментом современного поиска гравитационных волн остаётся метод согласованной фильтрации (matched filtering). Он сопоставляет данные детектора с набором заранее рассчитанных шаблонов сигналов, которых можно ожидать от тех или иных астрофизических событий. Благодаря этому удаётся выделять слабые сигналы на фоне шума, однако метод очень ресурсоёмок. Объёмы данных будут расти, а чувствительность будущих детекторов повышаться, в том числе у европейского наземного обсерватория Телескоп Эйнштейна (Einstein Telescope, ET), который сейчас находится в стадии проектирования. Вместе с этим будет увеличиваться и вычислительная нагрузка.

Проблема в том, что реальные сигналы не всегда в точности совпадают с имеющимися шаблонами. Орбиты сливающихся объектов могут быть эксцентричными, оси вращения способны прецессировать, а в излучении могут присутствовать высшие моды. Если шаблонный набор этого не учитывает, классический поиск хуже распознаёт сигнал. Дополнительно осложняют задачу глитчи — кратковременные всплески шума, способные имитировать признаки астрофизического события.

Предложенный подход не отказывается от согласованной фильтрации, а сочетает её с нейросетью. Сначала данные превращают в карты, показывающие, как меняется отношение сигнал/шум со временем. Затем эти карты обрабатывает EasyResNet. Сеть обучается отличать характерные узоры настоящих сигналов от структур, порождённых шумом или помехами.

Ключевая особенность метода — возможность обойтись без стандартного критерия χ². В традиционном поиске он служит для проверки того, насколько найденный сигнал соответствует ожидаемому шаблону, и помогает отсеивать часть глитчей. Нейросеть же учится различать сигналы и помехи по их рисунку на картах отношения сигнал/шум.

Авторы выполнили четыре серии симуляций. Больше всего преимущество нейросети проявилось там, где реальные сигналы отличались от заложенных шаблонов или в данных присутствовали глитчи. В таких случаях EasyResNet удерживала эффективность обнаружения на уровне стандартного поиска либо превосходила его, а вычислительный процесс при этом получался экономичнее.

Исследователи отмечают и высокую скорость: обработка одной карты занимала около 3 миллисекунд на обычном CPU без какой-либо специальной оптимизации. Тем не менее работа пока остаётся лишь проверкой концепции. Следующим шагом станет испытание EasyResNet на производственных конвейерах поиска гравитационных волн, которые использует коллаборация LIGO–Virgo–KAGRA, и оценка того, как изменятся чувствительность и вычислительные затраты по сравнению с полноценными действующими методами. Кроме того, учёные намерены применять более глубокие архитектуры и карты, содержащие больше сведений о сигналах.

По мнению авторов, предложенный способ может сделать поиск гравитационных волн менее затратным в вычислительном плане, особенно когда в данных есть помехи или реальные сигналы отличаются от заранее рассчитанных шаблонов. Однако утверждать, что нейросеть сумеет полностью заменить стандартные поисковые системы, пока рано: её сильные и слабые стороны ещё предстоит проверить на более широком наборе параметров и на реальных данных детекторов.

Источник: iXBT