En gruppe forskere har nylig avduket en innovativ metode for å oppdage kilder til gravitasjonsbølger, som de mener kan forbedre nøyaktigheten av disse deteksjonene betydelig og akselerere identifiseringen av disse mystiske kosmiske hendelsene. Deres studie, publisert i dag i tidsskriftet Nature, presenterer en algoritme som fokuserer på gravitasjonsbølgeutslipp fra sammenslåinger av nøytronstjerner. Når slike hendelser er anerkjent, kan astronomen verden over bli varslet, noe som gjør det mulig for eksperter å samle omfattende informasjon om disse korte og gåtefulle kildene til gravitasjonsbølger. For å sette dette i perspektiv, er gravitasjonsbølger bølger i rom-tidens struktur, først teoretisert av Einstein for over et århundre siden og oppdaget for første gang i 2015 av deler av det nåværende LIGO-Virgo-KAGRA-samarbeidet. Disse bølgene produseres av interaksjoner mellom noen av universets tyngste objekter, nemlig svarte hull og nøytronstjerner. Forskerne sin algoritme retter seg spesifikt mot nøytronstjerner som spiralerer mot hverandre, og gradvis nærmer seg til de smelter sammen, et fenomen kjent som en "nøytronstjernesammenslåing. " Å oppdage gravitasjonsbølgene som sendes ut under disse sammenslåingene hjelper astronomer med å forstå strukturer av nøytronstjerner, opprinnelsen til visse tunge elementer, teste generell relativitet, måle universets ekspansjonshastighet, og potensielt avdekke naturen av mørk materie. Bruken av kunstig intelligens kan akselerere analysen av disse forekomstene av gravitasjonsbølger og, ifølge teamets funn, forbedre nøyaktigheten av å forutsi sted for sammenslåingen. De hevder at metoden deres kan bestemme opprinnelsen til gravitasjonsbølger på bare ett sekund og kan fungere som en mal for dataanalyse for neste generasjons gravitasjonsbølgedetektorer, som LISA. "Etter trening, når en ny observasjon skjer, kan nevrale nettverket ta målingen som input og forutsi egenskapene til binære nøytronstjerner (inkludert deres lokalisering) på under ett sekund, " forklarte Maximilian Dax, en forsker innen maskinlæring og fysikk ved Universitetet i Tübingen, som er hovedforfatter av studien, i en e-post til Gizmodo.

"Denne raske responsen er mulig fordi vi ikke trenger nye gravitasjonsbølgesimuleringer under sluttrapportering. " Dax uttrykte også håp om at metoden deres vil legge til rette for tidligere deteksjon av elektromagnetiske signaler fra binære nøytronstjernesammenslåinger, noe som muliggjør observasjoner nærmere sammenslåingsøyeblikket. "Disse multi-messenger-observasjonene er utrolig spennende og har betydning på tvers av ulike felt, inkludert kosmologi, kjernefysikk og gravitasjon. " Forskerne sin algoritme kan skryte av en forbedring på 30% i nøyaktighet sammenlignet med tidligere modeller, og kan hjelpe astronomer med å identifisere hvilke sammenslåingshendelser som krever videre, ofte akutte, observasjoner. "Maskinlæring har fått betydelig oppmerksomhet i det siste innen forskningen på gravitasjonsbølger som et middel for å forbedre eller potensielt erstatte nåværende analysemetoder, " bemerket Michael Williams, en kosmolog ved Universitetet i Portsmouth i Storbritannia, i en News & Views-artikkel. "Men flere utfordringer vedvarer, " la Williams, som ikke er involvert i den nye forskningen, til. "Effektiviteten til maskinlæringsalgoritmer avhenger generelt av hvordan de er trent. En spesiell utfordring for denne algoritmen er at egenskapene til virkelige støy i gravitasjonsbølgedetektorer endres over tid sammenlignet med de som ble antatt under nettverkets trening, noe som kan forårsake systematiske feil som skjevvirker resultatene. " Williams konkluderte med at den virkelige testen vil være om teamets algoritme kan effektivt overbringe informasjon om den neste binære nøytronstjernesammenslåingen når den skjer.