一组研究人员最近揭示了一种创新的方法来检测引力波源，他们相信这将显著提高这些检测的准确性并加快对这些神秘宇宙事件的识别。 他们的研究今天发表于《自然》杂志，提出了一种算法，专注于中子星合并过程中的引力波发射。一旦识别出这样的事件，全球的天文学家就可以得到警报，使专家能够收集有关这些短暂且神秘的引力波源的大量信息。 为了让人们更好地理解，引力波是时空结构中的涟漪，早在一个多世纪前由爱因斯坦首次理论化，并在2015年由当前的LIGO-Virgo-KAGRA合作团队首次探测到。这些波是宇宙中某些最重物体（即黑洞和中子星）之间相互作用的产物。 研究人员的算法特别针对相互螺旋旋转并逐渐接近直至合并的中子星，这种现象被称为“中子星合并”。在这些合并过程中探测到的引力波有助于天文学家理解中子星的结构、某些重元素的起源、测试广义相对论、测量宇宙的扩张速率，并可能揭示暗物质的本质。 利用人工智能可以加速对这些引力波事件的分析，根据团队的研究结果，提高预测合并位置的准确性。他们声称，使用他们的方法可以在一秒钟内确定引力波的来源，并可以作为下一代引力波探测器（如LISA）的数据分析模板。 “经过训练后，当有新的观测出现时，神经网络可以将测量结果作为输入，在不到一秒的时间内预测双中子星的属性（包括它们的位置）。”该研究的首席作者、蒂宾根大学的机器学习研究员和物理学家马克西米连·达克在给《Gizmodo》的电子邮件中解释道。“这种快速响应得以实现，因为我们在推断过程中不需要新的引力波模拟。” 达克还表示希望他们的方法将有助于更早地检测到双中子星合并的电磁信号，允许在接近合并时进行观测。“这些多信使观测令人非常兴奋，并在宇宙学、核物理和引力等多个领域具有重要意义。” 研究人员的算法在准确性上比早期模型提高了30%，能够帮助天文学家识别哪些合并事件值得进一步（通常是紧急）观察。 “近年来，机器学习在引力波研究领域受到广泛关注，作为增强或替代当前分析方法的手段，”英国朴茨茅斯大学的宇宙学家迈克尔·威廉姆斯在一篇新闻观点中指出。 “然而，仍然存在一些挑战，”威廉姆斯补充道，他并未参与这项新研究。“机器学习算法的有效性通常取决于它们的训练方式。对于该算法而言，特别的挑战在于，实际引力波探测器中的噪声特性随着时间变化，与网络训练时假定的特性不同，这可能会导致系统性错误，从而影响结果。” 威廉姆斯总结道，真正的考验在于该团队的算法能否在双中子星合并事件发生时有效地传递信息。