新的机器学习算法仅在几秒钟内就能准确估计表征二进制黑洞源的所有参数。左图显示了从第一次和第二次LIGO/处女座观测运行推断出的八个事件的天空位置。这比较了使用机器学习(彩色)和慢得多的标准方法(灰色)的估计。在右边，我们显示了GW150914的四个推断参数(啁啾质量-双星系统的有效质量、质量比和两个自旋参数)(橙色为机器学习，蓝色为标准方法)。功劳:M. Dax等人黑洞是宇宙最大的谜团之一——例如，一个质量相当于我们太阳的黑洞半径只有3公里。围绕彼此轨道运行的黑洞会发出引力辐射——这是阿尔伯特·爱因斯坦在1916年预测的时空振荡。这导致轨道变得越来越快，越来越紧，最终，黑洞合并成最后的辐射爆发。这些引力波以光速在宇宙中传播，并被美国(LIGO)和意大利(处女座)的天文台探测到。科学家将天文台收集的数据与理论预测进行比较，以估计来源的属性，包括黑洞有多大以及它们旋转的速度有多快。目前，这个过程至少需要几个小时，通常是几个月。来自图宾根马克斯·普朗克智能系统研究所(MPI-IS)和波茨坦马克斯·普朗克引力物理研究所(阿尔伯特·爱因斯坦研究所/AEI)的跨学科研究团队正在使用最先进的机器学习方法来加速这一过程。他们利用深度神经网络开发了一种算法，这是一种复杂的计算机代码，由一系列更简单的操作构建而成，灵感来自人脑。几秒钟之内，系统就推断出二进制黑洞源的所有属性。他们的研究结果今天发表在《物理评论快报》上。
“我们的方法可以在几秒钟内非常准确地说明两个黑洞合并时产生引力波s的大小和质量。黑洞旋转的速度有多快，离地球有多远，引力波从哪个方向来？我们可以从观察到的数据中推导出所有这些，甚至可以对这种计算的准确性做出陈述，”马克西米利安·达克斯解释道，他是这项研究的第一作者，研究的是具有神经后验估计的实时引力波科学，是MPI-IS经验推理系的博士生。
研究人员用许多模拟训练神经网络——结合探测器的噪声，预测假设的二元黑洞系统的引力波信号。通过这种方式，网络学习了测量的引力波数据和表征潜在黑洞系统的参数之间的相关性。名为DINGO(引力波观测深度推断的缩写)的算法需要十天才能学会。然后它就可以使用了:网络从几秒钟内新观察到的引力波数据中推断出黑洞的大小、自旋和所有其他描述黑洞的参数。这种高精度分析几乎实时解码时空波动——这是从未有过的速度和精度。研究人员确信，神经网络性能的提高以及更好地处理探测器中噪声波动的能力，将使这种方法成为未来引力波观测的更有用的工具。
“我们通过越来越灵敏的探测器向太空看得越远，探测到的引力波信号就越多。像我们这样的快速方法对于在合理的时间内分析所有这些数据是必不可少的，”AEI天体物理学和宇宙相对论部门的高级科学家斯蒂芬·格林说。“DINGO的优势在于，一旦经过训练，它可以非常快速地分析新事件。重要的是，它还提供了详细的参数不确定性估计，这在过去使用机器学习方法很难产生。”
到目前为止，LIGO和处女座合作的研究人员已经使用了计算非常耗时的算法来分析数据。他们需要对重力波形进行数百万次新的模拟来解释每次测量，这将导致数小时至数月的计算时间——DINGO避免了这种开销，因为训练好的网络不需要对新观察到的数据进行任何进一步的模拟或分析，这一过程被称为“摊销推断”。
这种方法对于描述二进制黑洞结构的更复杂的引力波信号和二进制中子星很有希望，目前算法中使用这种信号使得分析非常耗时。黑洞的碰撞只以引力波的形式释放能量，而合并的中子星也发射电磁波谱中的辐射。因此，望远镜也能看到它们，为了观察这一事件，望远镜必须尽快指向天空的各个区域。为了做到这一点，人们需要非常快速地确定引力波来自哪里，这是由新的机器学习方法促进的。将来，这些信息可以被用于时间点望远镜，以观察来自中子星和带有黑洞的中子星碰撞的电磁信号。
AEI的主任Alessandra Buonanno和MPI-IS的主任Bernhard schlkopf说，“展望未来，这些方法也将能够比目前使用标准技术更真实地处理探测器噪声和重力信号。”
schlkopf说，“使用机器学习的基于模拟的推理在许多科学领域可能是变革性的，在这些领域，我们需要从嘈杂的观察中推断出复杂的模型。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
