Grupa istraživača nedavno je predstavila inovativnu metodu za otkrivanje izvora gravitacionih talasa, za koju vjeruju da bi mogla značajno poboljšati tačnost ovih detekcija i ubrzati identifikaciju ovih tajanstvenih kozmičkih događaja. Njihova studija, objavljena danas u časopisu Nature, prikazuje algoritam koji se fokusira na emisije gravitacionih talasa iz sudara neutronskih zvijezda. Kada se takvi događaji prepoznaju, astronomi širom svijeta se mogu upozoriti, omogućavajući stručnjacima da prikupe opsežne informacije o ovim kratkim i enigmatičnim izvorima gravitacionih talasa. Da stavimo stvari u perspektivu, gravitacioni talasi su talasanja u tkivu prostor-vremena, prvi put teoretizovana od strane Einsteina prije više od jednog stoljeća i detektovana po prvi put 2015. od strane dela trenutne LIGO-Virgo-KAGRA saradnje. Ovi talasi nastaju interakcijama između nekih od najtežih objekata u univerzumu, naime crnih rupa i neutronskih zvijezda. Algoritam istraživača posebno cilja neutronske zvijezde koje se spiralno približavaju jedna drugoj, postepeno se zbližavajući dok se ne spoje, fenomen poznat kao "spajanje neutronskih zvijezda". Detekcija gravitacionih talasa emitovanih tokom ovih sudara pomaže astronomima u razumevanju struktura neutronskih zvijezda, poreklu nekih teških elemenata, testiranju opšte relativnosti, merenju brzine ekspanzije svemira i eventualnom otkrivanju prirode tamne materije. Korištenje veštačke inteligencije može ubrzati analizu ovih pojava gravitacionih talasa i, prema nalazima tima, poboljšati tačnost predviđanja lokacije sudara.

Oni tvrde da njihova metoda može odrediti poreklo gravitacionih talasa za samo jednu sekundu i može poslužiti kao šablon za analizu podataka za detektore gravitacionih talasa nove generacije, kao što je LISA. “Nakon obuke, kada se dogodi nova posmatranja, neuronska mreža može uzeti merenje kao ulaz i predvidjeti karakteristike binarnih neutronskih zvijezda (uključujući njihovu lokalizaciju) za manje od sekunde”, objasnio je Maximilian Dax, istraživač mašinskog učenja i fizičar na Univerzitetu u Tübingenu, koji je glavni autor studije, u emailu za Gizmodo. “Ova brza reakcija je moguća zato što ne zahtijevamo nove simulacije gravitacionih talasa tokom inferencije. ” Dax je također izrazio nadu da će njihova metoda olakšati raniju detekciju elektromagnetnih signala iz spajanja binarnih neutronskih zvijezda, omogućavajući posmatranja bliže trenutku spajanja. “Ova višemesnerska posmatranja su izvanredno uzbudljiva i imaju značaj u raznim oblastima, uključujući kozmologiju, nuklearnu fiziku i gravitaciju. ” Algoritam istraživača se može pohvaliti poboljšanjem tačnosti od 30% u poređenju s ranijim modelima i može pomoći astronomima da identifikuju koji sudari zahtijevaju dalja, često hitna, posmatranja. “Mašinsko učenje je nedavno privuklo značajnu pažnju u oblasti istraživanja gravitacionih talasa kao sredstvo za poboljšanje ili potencijalno zamenu trenutnih metoda analize”, napomenuo je Michael Williams, kozmolog na Univerzitetu Portsmouth u Velikoj Britaniji, u tekstu News & Views. “Međutim, nekoliko izazova ostaje”, dodao je Williams, koji nije uključen u nova istraživanja. “Učinkovitost algoritama mašinskog učenja generalno zavisi od toga kako su obučeni. Poseban izazov za ovaj algoritam je u tome što se karakteristike pravog šuma u detektorima gravitacionih talasa menjaju s vremenom u poređenju s onim što je pretpostavljeno tokom obuke mreže, što može izazvati sistemske greške koje iskrivljuju rezultate. ” Williams je zaključio da će pravi test biti da li timov algoritam može efikasno prenijeti informacije o sledećem spajanju binarnih neutronskih zvijezda kada se dogodi.