publicidad
Noticias científicas
de organizaciones de investigación

El aprendizaje automático decodifica los temblores del universo

La red neuronal analiza las ondas gravitacionales en tiempo real

Fecha :
9 de diciembre de 2021
Fuente :
Instituto Max Planck de Sistemas Inteligentes
Resumen :
Los investigadores entrenan una red neuronal para estimar, en solo unos segundos, las características precisas de la fusión de los agujeros negros en función de sus emisiones de ondas gravitacionales. La red determina las masas y los espines de los agujeros negros, en qué lugar del cielo,en qué ángulo y a qué distancia de la Tierra tuvo lugar la fusión.
Compartir :
HISTORIA COMPLETA

Los agujeros negros son uno de los mayores misterios de nuestro Universo; por ejemplo, un agujero negro con la masa de nuestro Sol tiene un radio de solo 3 kilómetros. Los agujeros negros en órbita entre sí emiten radiación gravitacional: oscilaciones deespacio y tiempo predicho por Albert Einstein en 1916. Esto hace que la órbita se vuelva más rápida y más estrecha, y eventualmente, los agujeros negros se fusionan en un estallido final de radiación. Estas ondas gravitacionales se propagan a través del Universo a la velocidad de la luz y son detectadaspor observatorios en los EE. UU. LIGO e Italia Virgo. Los científicos comparan los datos recopilados por los observatorios con predicciones teóricas para estimar las propiedades de la fuente, incluido el tamaño de los agujeros negros y la velocidad a la que giran. Actualmente, esteEl procedimiento lleva al menos horas, a menudo meses.

Un equipo interdisciplinario de investigadores del Instituto Max Planck de Sistemas Inteligentes MPI-IS en Tübingen y el Instituto Max Planck de Física Gravitacional Instituto Albert Einstein / AEI en Potsdam está utilizando el aprendizaje automático de última generaciónpara acelerar este proceso. Desarrollaron un algoritmo que utiliza una red neuronal profunda, un código informático complejo construido a partir de una secuencia de operaciones más simples, inspirado en el cerebro humano. En segundos, el sistema infiere todas las propiedades de la fuente binaria del agujero negro. Los resultados de su investigación se publicaron en la revista insignia de Physics, Cartas de revisión física.

"Nuestro método puede hacer afirmaciones muy precisas en unos pocos segundos sobre qué tan grandes y masivos eran los dos agujeros negros que generaron las ondas gravitacionales cuando se fusionaron. ¿Qué tan rápido giran los agujeros negros, qué tan lejos están de la Tierra y de¿En qué dirección viene la onda gravitacional? Podemos deducir todo esto a partir de los datos observados e incluso hacer afirmaciones sobre la precisión de este cálculo ", explica Maximilian Dax, primer autor del estudio Ciencia de ondas gravitacionales en tiempo real con estimación neural posterior y estudiante de doctorado en el Departamento de Inferencia Empírica de MPI-IS.

Los investigadores entrenaron la red neuronal con muchas simulaciones: señales de ondas gravitacionales predichas para sistemas hipotéticos de agujeros negros binarios combinados con ruido de los detectores. De esta manera, la red aprende las correlaciones entre los datos medidos de ondas gravitacionales y los parámetroscaracterizar el sistema de agujeros negros subyacente. Se necesitan diez días para el algoritmo llamado DINGO la abreviatura significa D eep EN ferencia por G onda ravitacional O bservations para aprender.Entonces está listo para su uso: la red deduce el tamaño, los giros y todos los demás parámetros que describen los agujeros negros a partir de los datos de las ondas gravitacionales recién observadas en solo unos segundos.El análisis de alta precisión decodifica ondas en el espacio-tiempo casi en tiempo real, algo que nunca se había hecho con tanta velocidad y precisión.Los investigadores están convencidos de que el rendimiento mejorado de la red neuronal, así como su capacidad para manejar mejor las fluctuaciones de ruido en los detectores, harán de este método una herramienta muy útil para futuras observaciones de ondas gravitacionales.

"Cuanto más miramos en el espacio a través de detectores cada vez más sensibles, más señales de ondas gravitacionales se detectan. Los métodos rápidos como el nuestro son esenciales para analizar todos estos datos en un período de tiempo razonable", dice Stephen Green, científico senioren el departamento de Relatividad Astrofísica y Cosmológica de la AEI. "DINGO tiene la ventaja de que, una vez capacitado, puede analizar nuevos eventos muy rápidamente. Es importante destacar que también proporciona estimaciones detalladas de incertidumbre sobre parámetros, que han sido difíciles de producir en elpasado utilizando métodos de aprendizaje automático. "Hasta ahora, los investigadores de las colaboraciones de LIGO y Virgo han utilizado algoritmos computacionalmente que consumen mucho tiempo para analizar los datos. Necesitan millones de nuevas simulaciones de formas de onda gravitacionales para la interpretación de cada medición, lo que lleva atiempos de cálculo de varias horas a meses: DINGO evita esta sobrecarga porque una red entrenada no necesita más simulaciones para analizar nuevosdatos observados, un proceso conocido como 'inferencia amortizada'.

El método es prometedor para señales de ondas gravitacionales más complejas que describen configuraciones de agujeros negros binarios, cuyo uso en los algoritmos actuales hace que los análisis consuman mucho tiempo, y para estrellas de neutrones binarios. Mientras que la colisión de agujeros negros libera energía exclusivamente enEn forma de ondas gravitacionales, las estrellas de neutrones fusionadas también emiten radiación en el espectro electromagnético. Por lo tanto, también son visibles para los telescopios que deben apuntar a la región respectiva del cielo lo más rápido posible para observar el evento., es necesario determinar muy rápidamente de dónde proviene la onda gravitacional, como lo facilita el nuevo método de aprendizaje automático. En el futuro, esta información podría usarse para apuntar telescopios a tiempo para observar señales electromagnéticas de las colisiones de estrellas de neutrones, yde una estrella de neutrones con un agujero negro.

Alessandra Buonanno, directora de AEI, y Bernhard Schölkopf, director de MPI-IS, están encantados con la perspectiva de llevar su exitosa colaboración al siguiente nivel. Buonanno espera que "en el futuro, estos enfoques también permitan unaun tratamiento mucho más realista del ruido del detector y de las señales gravitacionales de lo que es posible en la actualidad utilizando técnicas estándar ", y Schölkopf añade que dicha" inferencia basada en simulación que utiliza el aprendizaje automático podría ser transformadora en muchas áreas de la ciencia en las que necesitamos inferir un complejomodelo a partir de observaciones ruidosas ".


Fuente de la historia :

Materiales proporcionado por Instituto Max Planck de Sistemas Inteligentes . Nota: el contenido puede editarse por estilo y longitud.


Referencia de la revista :

  1. Maximilian Dax, Stephen R. Green, Jonathan Gair, Jakob H. Macke, Alessandra Buonanno, Bernhard Schölkopf. Ciencia de ondas gravitacionales en tiempo real con estimación neural posterior . Cartas de revisión física , 2021; 127 24 DOI: 10.1103 / PhysRevLett.127.241103

cite esta página :

Instituto Max Planck para Sistemas Inteligentes. "El aprendizaje automático decodifica los temblores del universo: la red neuronal analiza las ondas gravitacionales en tiempo real". ScienceDaily. ScienceDaily, 9 de diciembre de 2021. .
Instituto Max Planck para Sistemas Inteligentes. 2021, 9 de diciembre. El aprendizaje automático decodifica los temblores del universo: la red neuronal analiza las ondas gravitacionales en tiempo real. ScienceDaily . Obtenido el 9 de diciembre de 2021 de www.science-things.com/releases/2021/12/211209142542.htm
Instituto Max Planck para Sistemas Inteligentes. "El aprendizaje automático decodifica los temblores del universo: la red neuronal analiza las ondas gravitacionales en tiempo real". ScienceDaily. Www.science-things.com/releases/2021/12/211209142542.htm consultado9 de diciembre de 2021.

1

2

3

4

5
HISTORIAS RELACIONADAS