ИИ не выявил расхождений с теорией Эйнштейна в данных LIGO

Физики решили выяснить, способно ли машинное обучение выявить маркеры «новой физики» в гравитационно-волновых колебаниях без классических алгоритмов, однако итог оказался отрезвляющим. Тестирование на фоновых шумах детектора LIGO и архивах исторического всплеска GW150914 продемонстрировало: когда степень отступления от Общей теории относительности падает ниже определенного барьера, нейросетевая модель теряет чувствительность.

Установление несоответствий концепции Эйнштейна выступает одной из ключевых целей современной астрофизики. Каждое зафиксированное слияние черных дыр пока полностью укладывается в рамки ОТО с учетом погрешностей, тем не менее экстремальные гравитационные поля в момент катаклизма служат идеальным полигоном для проверки фундаментальных законов. Привычный подход базируется на согласованной фильтрации — ресурсоемком математическом инструменте, сопоставляющем волну с базой заранее рассчитанных трафаретов. Данный способ точен, но жестко ограничен: если реальное отклонение не вписывается в заготовленные паттерны, алгоритм его просто пропустит.

Авторы свежего исследования задались вопросом: сможет ли искусственный интеллект справиться с этой миграцией данных автономно, без оглядки на готовые физические модели? Они разработали гибридную архитектуру, объединившую одномерную сверточную нейросеть с десятью статистическими параметрами сигнала, вычисленными вручную. Система обучалась разделять гравитационно-волновые эхо, соответствующие ОТО, и сигналы с искусственно внедренными деформациями трех видов — фазовой, амплитудной и частотной модальностью. Интенсивность аномалии регулировалась безразмерной величиной β.

Главной особенностью эксперимента стало применение подлинных записей обсерватории LIGO H1 вместо искусственных симуляций. За основу эталона взяли параметры знакового события GW150914 — дебютного зафиксированного слияния черных дыр. На базе этого «эйнштейновского» образца создали модифицированные варианты с контролируемой степенью искажения, интегрировали их в реальный шумовой фон и зафиксировали момент, когда классификатор уверенно начинает идентифицировать аномалию.

Итоги выстроились в четкую кривую детектирования. При β ≥ 0,5 нейросеть функционировала безупречно, при β ≈ 0,25 точность падала до 75%, а при β ≤ 0,2 алгоритм скатывался к банальному гаданию с результативностью 51,7% — на уровне подброшенной монетки. Уровень потерь на протяжении всего тренировочного цикла держался около отметки 0,693, что свидетельствует о полной неспособности обнаружить разницу между категориями.

Оценка значимости параметров продемонстрировала, что модель ориентировалась не на совокупную энергетику сигнала, а на периферийные участки распределения амплитуд. Это полностью коррелирует с физикой введенных искажений: модуляция концентрирует энергию вблизи пика слияния, трансформируя конфигурацию распределения, но не его масштаб. Именно поэтому стандартное отклонение и среднеквадратичные показатели оказались для алгоритма абсолютно бесполезными — их ценность система оценила в нулевой эквивалент.

Полученный итог — вовсе не технический промах, а точный предел возможностей чистого машинного обучения в подобных задачах. Исследователи акцентируют внимание: их выводы не ставят крест на перспективах ИИ в гравитационно-волновой науке, однако наглядно показывают: без синергии с согласованной фильтрацией, способной аккумулировать сигнал по всей частотной шкале, нейросети остаются слепы к тонким эффектам.

Следующим шагом может стать подача на вход алгоритму не «сырого» потока, а таймлайна, предварительно прошедшего через фильтр, адаптированный под конкретную форму волны. Такой подход объединил бы точность классических методов в отслеживании фазовой эволюции и способность нейросетей фиксировать скрытые аномалии, не укладывающиеся в стандартные шаблоны.

Источник: iXBT