格拉斯哥大学
学分:格拉斯哥大学
一种分析来自大规模天文事件的复杂数据的新方法可以帮助引力波天文学家避免迫在眉睫的计算危机
格拉斯哥大学的研究人员利用机器学习开发了一种新系统，用于处理从激光干涉仪引力波观测站(LIGO)等探测器收集的数据
该系统被他们称为维生素，能够在不到一秒钟的时间内从引力波探测器收集的单个信号中完全分析数据，这是对当前分析技术的重大改进
自2015年首次探测到由碰撞黑洞引起的时空涟漪以来，引力波天文学家一直依赖一系列强大的计算机，使用一种被称为贝叶斯推理的过程来分析探测到的信号
对每个信号的全面分析提供了关于每个事件所涉物体的质量、自旋、极化和轨道倾角的宝贵信息，目前可能需要几天时间才能完成
自从第一次探测以来，像美国LIGO这样的引力波探测器
S
意大利的处女座已经升级，对较弱的信号变得更加敏感，日本的KAGRA等其他探测器也已经上线
因此，引力波信号正以越来越规律的方式被探测到，这给当前的计算基础设施带来了更大的压力来分析每一次探测
由于每次观测运行之间的升级，探测器性能不断提高，因此存在系统处理更多信号的能力被淹没的风险
维生素是由格拉斯哥大学物理和天文学院的研究人员与计算科学学院的同事合作开发的
在今天发表在《自然物理》杂志上的一篇新论文中，他们描述了他们如何“训练”维生素来识别来自二进制黑洞的引力波信号，使用了一种叫做条件变分自动编码器或CVAE的机器学习技术
该团队创建了一系列模拟引力波信号，叠加了噪声以模拟背景噪声，引力波探测器必须从背景噪声中挑选每一个探测点
然后，他们通过机器学习系统传递了大约1000万次
在这个过程中，维生素提高了它识别信号和分析15个参数的能力，直到它能够在不到一秒钟的时间内提供准确的结果
格拉斯哥大学物理和天文学院的亨特·加巴德是这篇论文的主要作者
他说:“引力波天文学为我们提供了一种全新的方式来聆听宇宙，自2015年第一次探测以来的发展速度令人瞩目
" “随着探测器技术的进一步提高，新的探测器也开始监听，我们预计在不久的将来，每年将接收数百个信号
利用机器学习的力量对于帮助我们跟上检测器的发展将是至关重要的，而维生素是实现这一目标的令人兴奋的发展
“我们渴望在全球合作中与同事密切合作，将维生素整合到检测和响应引力波信号的标准工具包中
" 维生素快速分析信号参数的能力也可以帮助世界各地的天文学家更快地对引力波探测做出反应，这也可能是光学或射电望远镜所能看到的
博士；医生
该论文的合著者之一、物理和天文学院的Chris Messenger补充道:“像黑洞碰撞这样的事件对于电磁望远镜来说是不可见的，这就是为什么直到探测到来自黑洞合并的第一个引力波信号，我们才拥有它们存在的直接证据。”
“但是像两颗中子星碰撞这样的事件确实有可见的成分
2017年，我们探测到了来自中子星合并的第一个引力波信号，我们能够帮助我们的电磁天文学合作者将他们的望远镜转向天空中他们可以看到事件余晖的地方
“我们可以做到这一点，这要归功于引力波探测器的预警系统，它为我们提供了像事件位置这样的数据的初始读数
望远镜对准天空的每一秒钟都是收集有价值信息的机会
维生素可以帮助我们向同事提供更详细的信息，实现更快速的响应，并允许收集更广泛的数据
" 罗德里克·默里-史密斯教授和博士
计算科学学院的弗朗切斯科·托诺利尼是这篇论文的合著者
默里-史密斯教授说:“引力波天文学的科学领域对我们来说是一个新的领域，它给了我们设计新模型的机会，特别是为这一应用量身定制的模型，它将对物理的理解与前沿的机器学习方法结合在一起
格拉斯哥大学领导的QuantIC项目资助了我们的工作，这是一个将机器学习和科学，尤其是物理学结合起来的绝佳机会
" 博士；医生
托诺利尼补充说:“在过去，这些潜在变量模型通常被开发和优化，以捕捉图像、文本和其他常见信号的分布
然而，在引力波领域中遇到的数据和分布确实非常独特，需要我们重新发明这些模型的组件来实现所展示的成功
" 该团队的论文题为“利用条件变分自动编码器对引力波天文学进行贝叶斯参数估计”，发表在《自然物理学》上
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
