گروهی از پژوهشگران به تازگی روش نوآورانه‌ای را برای شناسایی منابع امواج گرانشی افشا کرده‌اند که به عقیده آنها می‌تواند به طرز قابل توجهی دقت این شناسایی‌ها را افزایش دهد و سرعت شناسایی این رویدادهای کیهانی مرموز را افزایش دهد. مطالعه آنها که امروز در نشریه Nature منتشر شده است، الگوریتمی را ارائه می‌دهد که بر روی انتشار امواج گرانشی ناشی از ادغام ستاره‌های نوترونی تمرکز دارد. با شناسایی چنین رویدادهایی، ستاره‌شناسان در سرتاسر جهان می‌توانند به سرعت مطلع شوند و این امکان را برای کارشناسان فراهم می‌کند که اطلاعات گسترده‌ای درباره این منابع گذرا و مبهم امواج گرانشی جمع‌آوری کنند. برای درک بهتر این موضوع، امواج گرانشی، ارتعاشاتی در پوشش فضا-زمان هستند که بیش از یک قرن پیش توسط انیشتین نظریه‌پردازی شدند و برای نخستین بار در سال ۲۰۱۵ توسط بخشی از همکاری کنونی LIGO-Virgo-KAGRA شناسایی شدند. این امواج ناشی از تعاملات بین برخی از سنگین‌ترین اجسام کائنات، یعنی سیاه‌چاله‌ها و ستاره‌های نوترونی هستند. الگوریتم پژوهشگران به‌طور خاص بر روی ستاره‌های نوترونی متمرکز است که به‌صورت مارپیچ به سوی یکدیگر در حال حرکت‌اند و به تدریج نزدیک می‌شوند تا ادغام یابند، پدیده‌ای که به آن «ادغام ستاره‌های نوترونی» گفته می‌شود. شناسایی امواج گرانشی ناشی از این ادغام‌ها به ستاره‌شناسان کمک می‌کند تا ساختارهای ستاره‌های نوترونی، منشأ عناصر سنگین خاص، آزمودن نسبیت عمومی، اندازه‌گیری نرخ انبساط کیهان و احتمالاً کشف ماهیت ماده تاریک را درک کنند. استفاده از هوش مصنوعی می‌تواند تحلیل این رویدادهای امواج گرانشی را تسریع کند و به گفته نتایج تیم، دقت پیش‌بینی مکان ادغام را افزایش دهد. آنها ادعا می‌کنند که روششان می‌تواند منبع امواج گرانشی را تنها در یک ثانیه تعیین کند و می‌تواند به‌عنوان الگوی تحلیل داده‌ها برای شناسنده‌های امواج گرانشی نسل بعدی، مانند LISA، عمل کند. «پس از آموزش، زمانی که یک مشاهده جدید روی می‌دهد، شبکه عصبی می‌تواند اندازه‌گیری را به‌عنوان ورودی گرفته و ویژگی‌های ستاره‌های نوترونی دوتایی (از جمله موقعیت آنها) را در کمتر از یک ثانیه پیش‌بینی کند»، مکسیمیلیان داکس، پژوهشگر یادگیری ماشین و فیزیکدان در دانشگاه توبینگن و نویسنده اصلی این مطالعه، در ایمیلی به Gizmodo توضیح داد.

«این واکنش سریع ممکن است زیرا ما در زمان استنتاج به شبیه‌سازی‌های جدید امواج گرانشی نیازی نداریم. » داکس همچنین ابراز امیدواری کرد که روش آنها امکان شناسایی زودتر سیگنال‌های الکترومغناطیسی ناشی از ادغام‌های ستاره‌های نوترونی دوتایی را تسهیل کند و اجازه مشاهداتی نزدیک‌تر به لحظه ادغام را فراهم کند. «این مشاهدات چندپیام‌رسانی بسیار هیجان‌انگیز هستند و در حوزه‌های مختلفی از جمله کیهان‌شناسی، فیزیک هست‌های و جاذبه اهمیت دارند. » الگوریتم پژوهشگران دارای ۳۰٪ بهبود در دقت نسبت به مدل‌های قبلی است و می‌تواند به ستاره‌شناسان در شناسایی رویدادهای ادغامی که نیاز به مشاهدات بیشتر و اغلب فوری دارند، کمک کند. «یادگیری ماشین اخیراً در زمینه تحقیق درباره امواج گرانشی توجه زیادی را به خود جلب کرده است به‌عنوان وسیله‌ای برای بهبود یا احتمالاً جایگزینی روش‌های تحلیلی کنونی»، مایکل ویلیامز، کیهان‌شناس در دانشگاه پورتسموث در بریتانیا، در مقاله‌ای در بخش اخبار و نظرات اشاره کرد. «با این حال، چندین چالش همچنان پابرجاست»، ویلیامز که در این تحقیقات جدید مشارکتی ندارد، اضافه کرد. «کارایی الگوریتم‌های یادگیری ماشین معمولاً به نحوه آموزش آنها بستگی دارد. یک چالش خاص برای این الگوریتم این است که ویژگی‌های نویز واقعی در شناسنده‌های امواج گرانشی در طول زمان نسبت به آنچه که در آموزش شبکه فرض شده است، تغییر می‌کند که می‌تواند خطاهای سیستماتیک ایجاد کند که نتایج را منحرف می‌کند. » ویلیامز نتیجه‌گیری کرد که آزمایش واقعی این خواهد بود که آیا الگوریتم تیم می‌تواند به‌طور مؤثر اطلاعات مربوط به ادغام بعدی ستاره‌های نوترونی دوتایی را در زمان وقوع آن منتقل کند.