En gruppe forskere har for nylig præsenteret en innovativ metode til at opdage kilder til gravitationsbølger, som de mener kan forbedre nøjagtigheden af disse opdagelser og fremskynde identifikationen af disse mystiske kosmiske hændelser. Deres undersøgelse, der blev offentliggjort i dag i tidsskriftet Nature, præsenterer en algoritme, der fokuserer på gravitationsbølgeemissioner fra neutronstjerne-sammenlægninger. Når sådanne hændelser bliver genkendt, kan astronomer verden over blive advaret, hvilket gør det muligt for eksperter at samle omfattende information om disse kortvarige og gådefulde gravitationsbølgekilder. For at sætte tingene i perspektiv er gravitationsbølger bølger i rumtidens struktur, først teoretiseret af Einstein for over et århundrede siden og første gang detekteret i 2015 af en del af det nuværende LIGO-Virgo-KAGRA-samarbejde. Disse bølger produceres ved interaktioner mellem nogle af universets tungeste objekter, nemlig sorte huller og neutronstjerner. Forskerteamets algoritme retter sig specifikt mod neutronstjerner, der spiralerer mod hinanden og gradvist kommer tættere på, indtil de smelter sammen, et fænomen kendt som en "neutronstjerne-sammenlægning. " At detektere de gravitationsbølger, der udsendes under disse sammenlægninger, hjælper astronomer med at forstå strukturerne af neutronstjerner, oprindelsen af visse tunge elementer, teste den generelle relativitet, måle universets ekspansionshastighed og potentielt afdække naturen af mørkt stof. Brugen af kunstig intelligens kan fremskynde analysen af disse gravitationsbølgeforekomster, og ifølge teamets resultater forbedre nøjagtigheden af forudsigelser om sammenlægningsstedet. De hævder, at deres metode kan bestemme oprindelsen af gravitationsbølger på kun et sekund og kan tjene som en skabelon for dataanalyse for næste generations gravitationsbølgedetektorer, som f. eks. LISA. "Efter træning, når en ny observation forekommer, kan det neurale netværk tage målingen som input og forudsige egenskaberne for binære neutronstjerner (herunder deres lokalisation) på under et sekund, " forklarede Maximilian Dax, en forsker i maskinlæring og fysik ved Universitetet i Tübingen, som er hovedforfatter af studiet, i en e-mail til Gizmodo.

"Denne hurtige reaktion er mulig, fordi vi ikke kræver nye gravitationsbølgesimuleringer under inferensen. " Dax udtrykte også håb om, at deres metode vil lette tidligere detektering af elektromagnetiske signaler fra binære neutronstjerne-sammenlægninger, hvilket muliggør observationer tættere på sammenlægningsøjeblikket. "Disse multi-messenger observationer er utrolig spændende og har betydning på tværs af forskellige felter, herunder kosmologi, kernefysik og gravitation. " Forskerteamets algoritme kan prale af en forbedring på 30% i nøjagtighed sammenlignet med tidligere modeller og kan hjælpe astronomer med at identificere, hvilke sammenlægningshændelser der kræver yderligere, ofte hastende, observationer. "Maskinlæring har på det seneste tiltrukket sig betydelig opmærksomhed inden for gravitationsbølgeforskning som et middel til at forbedre eller potentielt erstatte nuværende analyseteknikker, " bemærkede Michael Williams, en kosmolog ved Universitetet i Portsmouth i Storbritannien, i en News & Views-artikel. "Men flere udfordringer består, " tilføjede Williams, som ikke er involveret i den nye forskning. "Effektiviteten af maskinlæringsalgoritmer afhænger generelt af, hvordan de trænes. En særlig udfordring for denne algoritme er, at karakteristikaene for reel støj i gravitationsbølgedetektorer ændrer sig over tid sammenlignet med dem, der blev antaget under netværkets træning, hvilket kan inducere systematiske fejl, der forvrænger resultaterne. " Williams konkluderede, at den sande test vil være, om teamets algoritme effektivt kan viderebringe information om den næste binære neutronstjerne-sammenlægning, når den sker.