Nowa metoda poszukiwania fal grawitacyjnych emitowanych przez wybuchy supernowych typu Core Collapse (ang. Core-Collapse Supernova, CCSN) została zaproponowana przez międzynarodowy zespół naukowców ze Scuola Normale Superiore, Uniwersytetu Tor Vergata, Uniwersytetu Swinburne i Centrum Astronomicznego Mikołaja Kopernika PAN reprezentowanego przez doktoranta Filipa Morawskiego. Praca została opublikowana w Machine Learning Science and Technology.
Wybuchy CCSN należą do jednych z najbardziej spektakularnych zjawisk w naszym Wszechświecie. Są źródłem niektórych ciężkich pierwiastków istniejących obecnie. Co więcej, wybuchy te są tak potężne, iż można je zaobserować nawet w trakcie dnia (gdy eksplozja nastąpiła w naszej galaktyce). Niestety CCSN są obiektem trudnym do zbadania. Przede wszystkim są niezwykle rzadkie - w Drodze Mlecznej zachodzą jedynie 2-3 wybuchy na stulecie. Ponadto obserwacje elektromagnetyczne dostarczają jedynie informacji o prekursorze wybuchu. Nie wystarcza to do wytłumaczenia procesu zachodzącego w centrum umierającej gwiazdy - zapaści rdzenia (ang. Core-Collapse), który odpowiada za rozpoczęcie sekwencji prowadzących do wybuchu. Ponieważ światło nie może przedostać się przez materię otaczającą gwiazdę, informacja o zapadającym się rdzeniu jest niedostępna dla obserwacji elektromagnetycznych. Nie dotyczy to jednak fal grawitacyjnych, które mogą się przedostać przez zewnętrzne warstwy gwiazdy nie ulegając rozproszeniu lub pochłonięciu. Detekcja tego typu sygnałów jest spodziewana w najbliższej przyszłości w detektorach LIGO i Virgo.
We wspomnianym projekcie autorzy badają najnowocześniejsze modele CCSN wygenerowane na podstawie symulacji hydrodynamicznych procesu zapadania się rdzenia gwiazdy napędzanego neutrinami. Fale grawitacyjne otrzymane w ten sposób zostały następnie dodane do zasymulowanego niestacjonarnego szumu detektorów Virgo oraz Teleskopu Einsteina (planowany detektor fal grawitacyjnych). Nowością proponowanej metody poszukiwania sygnałów CCSN jest zastosowanie konwolucyjnej sieci neuronowej (CNN) w połączeniu z algorytmem poszukującym sygnałów w szumie o nazwie Wavelet Detection Filter (WDF). Ponadto autorzy po raz pierwszy w badaniach CCSN wykorzystujących uczenie maszynowe uwzględnili artefakty (ang. glitches) rejestrowane w detektorze, które mogą imitować sygnały astrofizyczne. Analiza ta pozwoliła na ocene wiarygodności proponowanej metody pod kątem fałszywych alarmów wywołanych sygnałami pochodzenia nieastrofizycznego.
Ilustracja: pozostałość po Supernowej Tycho Brahego, obserwowana w zakresie rentgenowskim.
