En kunstners illustrasjon av to sorte hull som spiralerer sammen, og skaper gravitasjonsbølger i romtiden.
(Bilde: © NASA)
Et nytt program som bruker kunstig intelligens kan hjelpe raskt å oppdage og analysere gravitasjonsbølger - krusninger i det kosmiske stoffet fra romtid - fra katastrofale hendelser som kollisjoner mellom sorte hull, viser en ny studie.
Den nye teknikken, kalt dypfiltrering, kan hjelpe forskere å se katastrofale hendelser som nåværende programvare kanskje ikke oppdager, for eksempel titanske sammenslåinger i hjertene til galakser, ifølge forfatterne av en ny artikkel som beskriver arbeidet.
Gravitasjonsbølger er krusninger i romets og tidens stoff. De blir generert når en gjenstand med masse beveger seg, og de beveger seg med lysets hastighet, strekker seg og klemmer plass tid underveis.
Gravitasjonsbølger er usedvanlig vanskelig å oppdage, og de som forskere kan oppdage er fra usedvanlig massive gjenstander. Selv om eksistensen av gravitasjonsbølger først ble spådd av Albert Einstein i 1916, tok det over et århundre for forskere å lykkes med å oppdage de første direkte bevisene på gravitasjonsbølger, ved hjelp av Laser Interferometer Gravitational-Wave Observatory (LIGO) for å oppdage gravitasjonsevalget etter to sorte hull som smashing sammen.
Oppdagelsen av gravitasjonsbølger tjente tre forskere nobelprisen 2017 i fysikk i oktober 2017. Siden den gang har forskere oppdaget gravitasjonsbølger fra et sammenstøtende par døde stjerner kalt nøytronstjerner - funn som kan ha bidratt til å løse det tiår gamle mysteriet om hvordan noen av universets tunge elementer ble skapt.
Imidlertid kan programvaren som foreløpig analyserer signalene som observasjonsorganer for gravitasjonsbølger oppdager, ta flere dager for å begrense hvilken type hendelse som kan ha generert de gravitasjonsbølgene, sa medforfatter Eliu Huerta til Space.com i et intervju.
Dessuten er denne programvaren spesialisert for å oppdage sammenslåinger mellom objekter som er i omtrent sirkulære baner med hverandre og relativt isolert fra omgivelsene, ifølge Huerta, en teoretisk astrofysiker ved University of Illinois i Urbana-Champaign's National Center for Supercomputing Applications. Programvaren vil sannsynligvis ikke oppdage gravitasjonsbølger fra objekter i områder der stjerner er tett pakket sammen, for eksempel kjernene i galakser, der gravitasjonstrekkene fra nærliggende stjerner kan forvrenge baner fra sirkulære til mer "eksentriske" eller ovale i form, Huerta sa.
Nå antyder studieforfatterne at programvare for kunstig intelligens kan bidra til å øke hastigheten på analysen av gravitasjonsbølger, samt "[aktivere] påvisning av nye klasser av gravitasjonsbølgekilder som kan gå upåaktet hen med eksisterende deteksjonsalgoritmer," Huerta fortalte Space.com.
Den nye AI-programvaren involverer kunstige nevrale nettverk, der kunstige komponenter kalt "nevroner" mates data og samarbeider for å løse et problem, for eksempel å gjenkjenne et bilde. Et nevralt nettverk justerer deretter gjentatte ganger forbindelsene mellom nevronene og ser om disse nye tilkoblingsmønstrene er bedre til å løse problemet. Over tid avslører denne prosessen med prøving og feiling hvilke mønstre som er best på databehandlingsløsninger, og som etterligner læringsprosessen i den menneskelige hjernen.
Mens konvensjonelle teknikker kan ta flere dager å begrense funksjonene i gravitasjonshendelser fra detektordata, kan nyskapende nevrale nettverk kjent som "dype, innviklede nevrale nettverk" gjøre det i løpet av et sekund, fant forskerne. Mens konvensjonelle metoder ville trenge tusenvis av CPUer (de sentrale prosesseringsenhetene til datamaskiner) for å utføre denne oppgaven, fungerte den nye teknikken "selv med en enkelt CPU - det vil si med smarttelefonen din eller en vanlig bærbar PC," sa Huerta.
I tillegg fant forskerne at denne nye teknikken også raskt kunne analysere sammenslåinger som er mer kompliserte enn dagens programvare kan analysere, for eksempel fusjoner som involverer sorte hull i eksentriske baner. Den nye programvaren hadde også lavere feilfrekvens og var flinkere til å oppdage feil i dataene.
Huerta og Daniel George, en beregningsstrofysiker ved University of Illinois ved Urbana-Champaigns National Center for Supercomputing Applications, detaljerte funnene sine online 27. desember i tidsskriftet Physics Letters B.
