作者:劳伦斯·利弗莫尔国家实验室杰瑞米·托马斯
一个包括LLNL数学家在内的多学科团队发现了一种基于机器学习的技术，能够从原始引力波数据中自动推导出二元黑洞运动的数学模型
引力波是由灾难性事件产生的，如两个黑洞的合并，当黑洞相互螺旋时，会向外波动，可以被激光干涉仪引力波观测站(LIGO)等装置探测到
信用:LIGO电信
派尔 2016年，激光干涉仪引力波观测站(LIGO)在两个黑洞合并过程中探测到引力波的消息在科学界引起了反响
这一惊天动地的消息不仅证实了阿尔伯特·爱因斯坦在广义相对论中的一个关键预言，也为更好地理解黑洞运动和其他时空扭曲现象打开了一扇门
像黑洞或中子星碰撞这样的灾难性事件会产生最大的引力波
双星黑洞围绕彼此运行数十亿年，最终碰撞形成一个大质量黑洞
在它们合并的最后时刻，它们的质量被转换成巨大的能量爆发——根据爱因斯坦方程E = mc2——然后可以以引力波的形式被探测到
为了理解双星黑洞的运动，研究人员传统上简化了爱因斯坦的场方程，并求解它们来计算发射的引力波
这种方法很复杂，需要在超级计算机上进行昂贵、耗时的模拟，或者在应用于更复杂的黑洞系统时可能导致错误或崩溃的近似技术
一位劳伦斯·利弗莫尔国家实验室(LLNL)的数学家与麻省大学、达特茅斯大学和密西西比大学的合作者一起发现了一种解决问题的逆向方法，这是一种基于机器学习的技术，能够从原始引力波数据中自动推导出二进制黑洞运动的数学模型，只需要一台笔记本电脑的计算能力
这项研究在线发表在《物理评论研究》杂志上
利用数值相对论模拟的引力波数据，研究小组设计了一种算法，可以学习描述一系列情况下黑洞合并动力学的微分方程
波形反演策略可以快速输出一个简单的方程，其精度与人类花费数年时间开发的方程或在超级计算机上运行数周的模型相同
该论文的主要作者、LLNL应用科学计算中心的博士后研究员Brendan Keith说:“我们拥有所有这些与更复杂的黑洞系统相关的数据，我们没有完整的模型来描述这些系统的全部范围，即使经过了几十年的工作。”
“机器学习会自动告诉我们方程是什么
它会接收你的数据，并在几分钟到一小时内输出一个方程，这个方程可能和一个人已经研究了10到20年的东西一样精确
" 基思和多学科团队的另外两名成员在布朗大学数学计算和实验研究所的计算相对论研讨会上相遇
他们想测试最近描述类似机器学习问题的论文中的观点，这种机器学习问题是基于动力系统的轨迹推导出方程的，并且是基于低维数据，比如引力波
除了是数学家之外，计算科学家Keith还编写了反问题和计算机代码，而他的学术伙伴帮助他获得了数据，并添加了从一维数据扩展到多维方程组和解释模型所需的物理知识
基思说:“我们有一些信心，如果我们从一个维度到另一个维度，它会起作用——这是早期论文所做的——但是引力波是比黑洞轨迹更低维度的数据。”
“当我们发现它确实有效时，这是一个重大而激动人心的时刻
" 这种方法不需要复杂的广义相对论，只需要应用开普勒行星运动定律和解决逆问题所需的数学
从一个基本的牛顿非相对论模型(比如绕地球运行的月球)和一个由神经网络参数化的微分方程系统开始，研究小组发现该算法可以从基本模型和一个表现非常不同的模型(比如两个绕地球运行的黑洞)之间的差异中学习，以填补缺失的相对论物理
“这是一种全新的方法来解决这个问题，”合著者斯科特·菲尔德说，他是达特茅斯马萨诸塞大学数学和引力波数据科学家助理教授
“引力波建模社区一直在朝着更加数据驱动的方向发展，我们的论文是这方面最极端的版本，我们几乎完全依赖数据和复杂的机器学习工具
" 将该方法应用于一系列二元黑洞系统，研究小组表明，由此产生的微分方程自动解释了黑洞中的相对论效应，如近日点进动、辐射反应和轨道骤降
在与科学界几十年来一直使用的最先进的轨道动力学模型进行并行比较时，该团队发现他们的机器学习模型同样准确，可以应用于更复杂的黑洞系统，包括具有更高维度数据但观测数量有限的情况
“结果中最令人惊讶的部分是该模型在训练集之外的外推能力有多好，”合著者阿克谢·哈德塞博士说
D
密西西比大学物理系学生
“这可以用来在引力波探测器不是很灵敏的情况下，或者如果我们有有限数量的引力波信号，产生信息
" 研究小组表示，在该方法准备用于从LIGO设施收集的当前重力数据之前，研究人员需要进行更多的数学分析，并将他们的预测与更多的数字相对论数据进行比较
他们希望设计一种贝叶斯反演方法来量化不确定性，并将该技术应用于更复杂的系统和轨道场景，并使用它来更好地校准传统的引力波模型
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
