Tutkijaryhmä on äskettäin esitellyt innovatiivisen menetelmän gravitaatioaaltojen lähteiden havaitsemiseen, jonka he uskovat voivan merkittävästi parantaa näiden havaintojen tarkkuutta ja nopeuttaa näiden mystisten kosmisten tapahtumien tunnistamista. Heidän tutkimuksensa, joka julkaistiin tänään tiedelehdessä Nature, esittelee algoritmin, joka keskittyy neutronitähtien sulautumisen aikana syntyviin gravitaatioaaltoihin. Kun tällaiset tapahtumat tunnistetaan, astronomit ympäri maailmaa voidaan hälyttää, mikä mahdollistaa asiantuntijoiden kerätä laaja tietoa näistä lyhyistä ja arvoituksellisista gravitaatioaaltojen lähteistä. Asettamalla asiat perspektiiviin, gravitaatioaallot ovat aaltomaisia häiriöitä avaruusajan rakenteessa, jotka Albert Einstein teoretisoi yli vuosisata sitten ja jotka havaittiin ensimmäisen kerran vuonna 2015 LIGO-Virgo-KAGRA-yhteistyön osalta. Nämä aallot syntyvät maailmankaikkeuden raskaimpien objektien, kuten mustien aukkojen ja neutronitähtien, vuorovaikutuksesta. Tutkijoiden algoritmi kohdistaa erityisesti neutronitähtiin, jotka pyörivät toistensa ympäri, lähestyvät vähitellen kunnes ne sulautuvat, ilmiö, jota kutsutaan "neutronitähtien sulautumiseksi". Näiden sulautumisten aikana syntyvien gravitaatioaaltojen havaitseminen auttaa astronomiaa ymmärtämään neutronitähtien rakennetta, tiettyjen raskaitten alkuaineiden alkuperää, yleistä suhteellisuusteoriaa testaamista, maailmankaikkeuden laajenemisen mittaamista ja mahdollisesti paljastamaan pimeän aineen luonteen. Tekoälyn hyödyntäminen voi nopeuttaa näiden gravitaatioaaltojen ilmenemisten analysointia ja tiimin tietojen mukaan parantaa sulautumisen sijainnin ennustamisen tarkkuutta. He väittävät, että heidän menetelmänsä voi määrittää gravitaatioaaltojen alkuperän vain yhdessä sekunnissa ja se voi toimia mallina seuraavan sukupolven gravitaatioaaltojen havaitsemiseen, kuten LISA:lle. "Koulutuksen jälkeen, kun uusi havainto tapahtuu, hermoverkko voi ottaa mittauksen syötteenä ja ennustaa kaksinkertaisten neutronitähtien ominaisuudet (ilman sijaintia) alle sekunnissa", selitti Maximilian Dax, koneoppimisen tutkija ja fyysikko Tübingien yliopistosta, joka on tutkimuksen päätekijä, sähköpostissaan Gizmodolle.

"Tämä nopea reagointi on mahdollista, koska emme tarvitse uusia gravitaatioaaltojen simulaatioita johtopäätösvaiheessa. " Dax ilmaisi myös toiveensa siitä, että heidän menetelmänsä helpottaa sähkömagneettisten signaalien aikaisempaa havaitsemista kaksinkertaisista neutronitähtien sulautumisista, jolloin havaintoja voidaan tehdä lähempänä sulautumishetkeä. "Nämä monikanavaiset havainnot ovat uskomattoman jännittäviä ja niillä on merkitystä eri aloilla, kuten kosmologiassa, ydinfysiikassa ja gravitaatiossa. " Tutkijoiden algoritmi väittää parantaneensa tarkkuuttaan 30 % aikaisempiin malleihin verrattuna ja voi auttaa astronomiaa tunnistamaan, mitkä sulautumistapahtumat ansaitsevat lisähavaintoja, usein kiireellisiä. "Koneoppiminen on herättänyt huomattavaa huomiota viime aikoina gravitaatioaaltojen tutkimuksessa keinona parantaa tai mahdollisesti korvata nykyiset analyysimenetelmät", huomautti Michael Williams, kosmologi Portsmouthin yliopistosta Isossa-Britanniassa, News & Views -artikkelissa. "Kuitenkin useita haasteita on edelleen", lisäsi Williams, joka ei ole mukana uudessa tutkimuksessa. "Koneoppimisalgoritmien tehokkuus riippuu yleensä siitä, kuinka niitä koulutetaan. Erityinen haaste tälle algoritmille on se, että oikean melun ominaisuudet gravitaatioaaltojen havaitsimissa muuttuvat ajan myötä verrattuna siihen, mitä oletetaan verkon koulutuksen aikana, mikä voi aiheuttaa systeemisiä virheitä, jotka vääristävät tuloksia. " Williams päätti, että todellinen testi on, pystyykö tiimin algoritmi välittämään tietoa seuraavasta kaksinkertaisesta neutronitähtien sulautumisesta, kun se tapahtuu.