创建深度学习算法来检测意外的引力波事件
从2015 年直接探测到引力波开始，科学家们一直依赖于一种临时解决方案：他们只能探测到与理论预测相符的引力波，这与科学通常的探测方式截然相反。现在，一组物理学家提出了一个计算模型，可以捕捉所有经过地球的引力波，而不仅仅是预期的那些。该论文发表在arXiv预印本服务器上。
爱因斯坦发现他的广义相对论预测了引力波的存在，几十年后，物理学家计算了几种简单场景的预期特征。其中一个是黑洞与黑洞合并的通过波形，这是从 2015 年 9 月 14 日收到的干涉数据中检测到的第一个此类波。（这篇论文直到次年 2 月才发表。）
根据假设产生引力波的事件，引力科学家能够预测长臂激光干涉仪设施（如 LIGO（在美国有两个地点）、意大利的 VIRGO 以及世界各地的其他几个设施）中出现的精确信号。
观测者需要知道会发生什么，以便训练他们的干涉仪寻找目标，因为经过的引力波只会使干涉仪臂移动质子宽度的千分之一。环境噪音，甚至是经过的卡车，都很容易引起臂的移动，必须将其滤除，才能区分真正的引力波。
还对中子星-黑洞合并和中子星-中子星合并进行了计算。此外，还可以从数据中收集快速旋转的对称中子星产生的连续引力波和来自大爆炸等的随机引力波的特征。使用这些模型，总共检测到了七十多个引力波事件。
但这种方法会漏掉那些未以已知预测的形式出现的引力波，即基于不同物理学的意外事件中出现的“瞬变”或“引力波爆发”。此外，当今的检测方法太慢了。
引力波经过后，天文学家希望能够快速确定其来源，以便通知其他天文台寻找来自同一来源的任何伴随电磁或粒子事件——即所谓的多信使天文学。
某些大型剧烈天体物理活动（包括常见的双星对合并）预计会产生电磁辐射（包括可见光）和中微子。在接收到可能的引力波列后，处理和与其他仪器通信目前可能需要数百个专用处理单元，耗时数十秒甚至几分钟，对于“提前”警告来说太慢了。
近年来，物理学家一直在尝试通过使用卷积神经网络（CNN，一种专门的深度学习算法）来改进波形限制，以避免训练探测器仅识别某些事件。
然而，到目前为止，已编程的 CNN 仍然需要目标信号的精确模型进行训练，因此无法注意到意想不到的来源，例如超新星核心坍缩和长伽马射线爆发所预期的来源。未知的物理和计算限制都可能毁掉多信使检测的任何机会。
在这里，研究人员设定了一个目标，即使用单个处理器并在大约一秒钟内报告引力波事件。他们开发了一种多组件架构，其中一个 CNN 检测多个探测器中同时发生的瞬变，而第二个 CNN 寻找探测器之间的相关性，以消除同时发生的背景噪音或故障。
通过这种方式，“我们的搜索利用了机器学习，旨在帮助‘传统’望远镜在几秒钟内找到这样的光源，”英国威尔士卡迪夫大学物理与天文学院重力探索研究所的 Vasileos Skliris 表示。“通过这种方式，我们将能够从这些意外事件中提取出最多的信息。”
该团队的深度学习方法与以前的方法有一个关键的不同：他们不是教 CNN 识别数据中的特定信号形状，而是创建了可以检测两个或多个数据流之间强度和时间一致性的 CNN。
随后，研究人员使用具有相似特征的模拟信号和随机噪声脉冲对 CNN 进行训练。通过对信号和噪声使用相同的波形模式，CNN 不再依赖信号模式来做出决策；相反，CNN 学会评估探测器之间的一致性，从而使其模型能够真正实时地探测引力波瞬变。
作为测试，他们运行了 LIGO 和 VIRGO 前两次运行的观测数据，发现一致性很好。
“早在 20 世纪 60 年代，伽马射线爆发就是伽马射线天文学刚刚起步时出现的天体物理学新奇现象，”斯克里里斯说道。“引力波天文学也处于同样的早期阶段，我们或许会迎来激动人心的未来。”
页:
[1]