Um novo método de análise de dados complexos de eventos astronômicos massivos pode ajudar os astrônomos de ondas gravitacionais a evitar uma crise computacional iminente.
Pesquisadores da Universidade de Glasgow usaram o Machine Learning para desenvolver um novo sistema para processar os dados coletados de detectores como o Laser Interferometer Gravitational-Wave Observatory (LIGO).
O sistema, que eles chamam de VItamin, é capaz de analisar totalmente os dados de um único sinal coletado por detectores de ondas gravitacionais em menos de um segundo, um avanço significativo nas técnicas de análise atuais.
Desde a primeira detecção histórica das ondulações no espaço-tempo causadas pela colisão de buracos negros em 2015, os astrônomos de ondas gravitacionais têm contado com uma série de computadores poderosos para analisar os sinais detectados usando um processo conhecido como inferência bayesiana.
Uma análise completa de cada sinal, que fornece informações valiosas sobre a massa, spin, polarização e inclinação da órbita dos corpos envolvidos em cada evento, pode atualmente levar dias para ser concluída.
Desde a primeira detecção, detectores de ondas gravitacionais como LIGO nos EUA e Virgo na Itália foram atualizados para se tornarem mais sensíveis a sinais mais fracos, e outros detectores como KAGRA no Japão tornaram-se online.
Como resultado, os sinais de ondas gravitacionais estão sendo detectados com regularidade crescente, colocando a infraestrutura de computação atual sob maior pressão para analisar cada detecção. Como o desempenho do detector continua a melhorar graças às atualizações entre cada execução de observação, existe o risco de que a capacidade do sistema de processar um número maior de sinais seja sobrecarregada.
VItamin foi desenvolvido por pesquisadores da Escola de Física e Astronomia da Universidade de Glasgow em colaboração com colegas da Escola de Ciência da Computação.
Em um novo artigo publicado hoje na revista Nature Physics, eles descrevem como ‘treinaram’ o VItamin para reconhecer sinais de ondas gravitacionais de buracos negros binários usando uma técnica de aprendizado de máquina chamada autoencoder variacional condicional, ou CVAE.
A equipe criou uma série de sinais de ondas gravitacionais simulados, sobrepostos com ruído para imitar o ruído de fundo do qual os detectores de ondas gravitacionais devem selecionar cada detecção. Em seguida, eles os passaram pelo sistema de aprendizado de máquina cerca de 10 milhões de vezes.
Ao longo do processo, o VItamin melhorou sua capacidade de captar sinais e analisar 15 parâmetros até ser capaz de fornecer resultados precisos em menos de um segundo.
Hunter Gabbard, da Escola de Física e Astronomia da Universidade de Glasgow, é o principal autor do artigo. Ele disse: “A astronomia de ondas gravitacionais nos forneceu uma maneira inteiramente nova de ouvir o universo, e o ritmo de desenvolvimento desde a primeira detecção em 2015 tem sido notável.”
“À medida que a tecnologia do detector melhora ainda mais e novos detectores começam a escutar também, esperamos captar centenas de sinais por ano no futuro próximo. Aproveitar o poder do aprendizado de máquina será vital para nos ajudar a acompanhar o desenvolvimento dos detectores e VItamin é um desenvolvimento empolgante em direção a esse objetivo.
“Estamos ansiosos para trabalhar de perto com colegas em nossa colaboração global para integrar VItamin no kit de ferramentas padrão para detectar e responder a sinais de ondas gravitacionais.”
A capacidade do VItamin de analisar rapidamente os parâmetros do sinal também pode ajudar os astrônomos de todo o mundo a responder mais rapidamente às detecções de ondas gravitacionais, que também podem ser visíveis a óticos ou radiotelescópios.
O Dr. Chris Messenger da Escola de Física e Astronomia, co-autor do artigo, acrescentou: “Eventos como as colisões de buracos negros são invisíveis para os telescópios eletromagnéticos, razão pela qual não tínhamos evidências diretas de sua existência até o primeiro sinal de onda gravitacional de uma fusão de buraco negro foi detectado.
“Mas eventos como a colisão de duas estrelas de nêutrons têm um componente visível. Em 2017, detectamos o primeiro sinal de onda gravitacional de uma fusão de estrelas de nêutrons e pudemos ajudar nossos colaboradores na astronomia eletromagnética a transformar seus telescópios no ponto céu onde eles puderam ver o brilho do evento.
“Poderíamos fazer isso graças aos sistemas de alerta precoce dos detectores de ondas gravitacionais, que nos fornecem uma leitura inicial de dados como a localização dos eventos. Cada segundo extra que leva para apontar os telescópios para o céu é uma oportunidade perdida de coletar informações valiosas . VItamin poderia nos ajudar a fornecer informações muito mais detalhadas aos nossos colegas, permitindo uma resposta muito mais rápida e permitindo a coleta de um espectro mais amplo de dados. ”
O professor Roderick Murray-Smith e o Dr. Francesco Tonolini da School of Computing Science são co-autores do artigo.
O professor Murray-Smith disse: “O domínio científico da astronomia de ondas gravitacionais foi uma área nova para nós e nos deu a oportunidade de projetar novos modelos, feitos sob medida para esta aplicação, que trouxeram a compreensão da física junto com o aprendizado de máquina de ponta métodos. O projeto QuantIC liderado pela Universidade de Glasgow, que financiou nosso trabalho, foi uma grande oportunidade de unir o aprendizado de máquina à ciência, especialmente à física. ”
Dr. Tonolini acrescentou: “No passado, esses modelos de variáveis latentes foram tipicamente desenvolvidos e otimizados para capturar distribuições de imagens, texto e outros sinais comuns. No entanto, os dados e distribuições encontrados no domínio da onda gravitacional são realmente bastante únicos e necessários que reinventemos os componentes desses modelos para alcançar o sucesso demonstrado. ”
O artigo da equipe, intitulado “Estimativa de parâmetro bayesiano usando autoencoders variacionais condicionais para astronomia de ondas gravitacionais”, foi publicado na Nature Physics.
Publicado em 22/12/2021 11h14
Artigo original:
Estudo original: