Un réseau de neurones analyse les ondes gravitationnelles en temps réel

Un réseau de neurones analyse les ondes gravitationnelles en temps réel

Le nouvel algorithme d’apprentissage automatique estime avec précision tous les paramètres caractérisant une source de trou noir binaire en quelques secondes seulement. La figure de gauche montre les positions du ciel déduites pour huit événements du premier et du deuxième passage d’observation LIGO/Virgo. Cela compare l’estimation utilisant l’apprentissage automatique (en couleur) à la méthode standard beaucoup plus lente (en gris). Sur la droite, nous montrons quatre paramètres inférés (masse de chirp – la masse effective du système binaire, rapport de masse et deux paramètres de spin) pour GW150914 (apprentissage automatique en orange, approche standard en bleu). Crédit : M. Dax et al.

Les trous noirs sont l’un des plus grands mystères de l’univers – par exemple, un trou noir avec la masse de notre soleil a un rayon de seulement 3 kilomètres. Les trous noirs en orbite les uns autour des autres émettent un rayonnement gravitationnel – des oscillations de l’espace et du temps prédites par Albert Einstein en 1916. Cela rend l’orbite plus rapide et plus étroite, et finalement, les trous noirs fusionnent dans un dernier sursaut de rayonnement. Ces ondes gravitationnelles se propagent dans l’univers à la vitesse de la lumière et sont détectées par des observatoires aux États-Unis (LIGO) et en Italie (Virgo). Les scientifiques comparent les données collectées par les observatoires aux prédictions théoriques pour estimer les propriétés de la source, y compris la taille des trous noirs et leur vitesse de rotation. Actuellement, cette procédure prend au moins des heures, souvent des mois.

Une équipe interdisciplinaire de chercheurs du Max Planck Institute for Intelligent Systems (MPI-IS) à Tübingen et du Max Planck Institute for Gravitational Physics (Albert Einstein Institute/AEI) à Potsdam utilise des méthodes d’apprentissage automatique de pointe pour accélérer ce processus. Ils ont développé un algorithme utilisant un réseau de neurones profonds, un code informatique complexe construit à partir d’une séquence d’opérations plus simples, inspirée du cerveau humain. En quelques secondes, le système déduit toutes les propriétés de la source binaire du trou noir. Les résultats de leurs recherches sont publiés aujourd’hui dans Lettres d’examen physique.

« Notre méthode peut faire des déclarations très précises en quelques secondes sur la taille et la masse des deux trous noirs qui ont généré les ondes gravitationnelles lorsqu’ils ont fusionné. À quelle vitesse les trous noirs tournent-ils, à quelle distance sont-ils de la Terre et dans quelle direction est-ce que l’onde gravitationnelle arrive ? Nous pouvons déduire tout cela à partir des données observées et même faire des déclarations sur la précision de ce calcul », explique Maximilian Dax, premier auteur de l’étude Real-Time Gravitational Wave Science with Neural Posterior Estimation et Ph.D. . étudiant au Département d’Inférence Empirique au MPI-IS.

Les chercheurs ont entraîné le réseau de neurones avec de nombreuses simulations – des signaux d’ondes gravitationnelles prédits pour des systèmes de trous noirs binaires hypothétiques combinés au bruit des détecteurs. De cette façon, le réseau apprend les corrélations entre les données d’ondes gravitationnelles mesurées et les paramètres caractérisant le système de trou noir sous-jacent. Il faut dix jours pour que l’algorithme appelé DINGO (l’abréviation signifie Deep INference for Gravitational-wave Observations) pour apprendre. Ensuite, il est prêt à l’emploi : le réseau déduit la taille, les spins et tous les autres paramètres décrivant les trous noirs à partir des données des ondes gravitationnelles nouvellement observées en quelques secondes seulement. L’analyse de haute précision décode les ondulations dans l’espace-temps presque en temps réel, ce qui n’a jamais été fait avec une telle vitesse et précision. Les chercheurs sont convaincus que l’amélioration des performances du réseau de neurones ainsi que sa capacité à mieux gérer les fluctuations de bruit dans les détecteurs feront de cette méthode un outil très utile pour les futures observations d’ondes gravitationnelles.

« Plus nous explorons l’espace à travers des détecteurs de plus en plus sensibles, plus les signaux d’ondes gravitationnelles sont détectés. Des méthodes rapides comme les nôtres sont essentielles pour analyser toutes ces données dans un laps de temps raisonnable », déclare Stephen Green, scientifique principal au Département de Relativité Astrophysique et Cosmologique de l’AEI. « DINGO a l’avantage qu’une fois entraîné, il peut analyser de nouveaux événements très rapidement. Il est important de noter qu’il fournit également des estimations détaillées de l’incertitude sur les paramètres, qui étaient difficiles à produire dans le passé à l’aide de méthodes d’apprentissage automatique. »

Jusqu’à présent, les chercheurs des collaborations LIGO et Virgo ont utilisé des algorithmes de calcul très chronophages pour analyser les données. Ils ont besoin de millions de nouvelles simulations de formes d’ondes gravitationnelles pour l’interprétation de chaque mesure, ce qui conduit à des temps de calcul de plusieurs heures à plusieurs mois. comme « inférence amortie ».

La méthode est prometteuse pour des signaux d’ondes gravitationnelles plus complexes décrivant des configurations binaires de trous noirs, dont l’utilisation dans les algorithmes actuels rend les analyses très longues, et pour les étoiles à neutrons binaires. Alors que la collision des trous noirs libère de l’énergie exclusivement sous forme d’ondes gravitationnelles, la fusion des étoiles à neutrons émet également un rayonnement dans le spectre électromagnétique. Ils sont donc également visibles par les télescopes qui doivent être pointés vers la région respective du ciel le plus rapidement possible afin d’observer l’événement. Pour ce faire, il faut déterminer très rapidement d’où vient l’onde gravitationnelle, comme le facilite la nouvelle méthode d’apprentissage automatique. À l’avenir, ces informations pourraient être utilisées pour pointer des télescopes à temps pour observer les signaux électromagnétiques provenant des collisions d’étoiles à neutrons et d’une étoile à neutrons avec un trou noir.

Alessandra Buonanno, directrice de l’AEI, et Bernhard Schölkopf, directeur du MPI-IS déclarent : « À l’avenir, ces approches permettront également un traitement beaucoup plus réaliste du bruit du détecteur et des signaux gravitationnels qu’il n’est possible aujourd’hui avec les techniques standard. . »

Schölkopf déclare : « L’inférence basée sur la simulation utilisant l’apprentissage automatique pourrait être transformatrice dans de nombreux domaines de la science où nous devons inférer un modèle complexe à partir d’observations bruyantes. »


Des scientifiques détectent un « tsunami » d’ondes gravitationnelles


Plus d’information:
Maximilian Dax et al, Science des ondes gravitationnelles en temps réel avec estimation neuronale postérieure, Lettres d’examen physique (2021). DOI : 10.1103/PhysRevLett.127.241103

Fourni par la société Max Planck

Citation: Le réseau de neurones analyse les ondes gravitationnelles en temps réel (2021, 10 décembre) récupéré le 10 décembre 2021 sur https://techxplore.com/news/2021-12-neural-network-gravitational-real.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.