Pierwsza bezpośrednia detekcja fal grawitacyjnych (ang. gravitational waves - GW) przez dwa detektory LaserInterferometer Gravitational wave Observatory (LIGO) otworzyła nową erę astrofizyki. Oczekuje się, że ogromne ilości danych zostaną dostarczone przez budowane detektory trzeciej generacji, takie jak Teleskop Einsteina (ET). ET będzie miał lepszą czułość o jeden rząd wielkości, co pozwoli na wykrywanie przy niższej częstotliwości, dla których oczekuje się, że rocznie będzie wykrywanych odpowiednio 105 - 106 i 7 × 104 podwójnych czarnych dziur (BBH) i podwójnych gwiazd neutronowych (BN). .
Detekcja sygnałów GW odbywa się tradycyjnie poprzez analizę sygnału ukrytego w surowych danych z detektora, tzw. filtrowanie dopasowane. Dopasowany proces filtrowania porównuje wymodelowane szablony przebiegów z surowymi danymi. Główną wadą filtrowania dopasowań jest to, że zależy ono całkowicie od dostępności szablonów przebiegów. Proces ten jest trudny obliczeniowo i zależy również od dokładności modelowanych przebiegów.
Kolejnym krokiem po wykryciu sygnału jest oszacowanie jego parametrów, dla których do dokładnego oszacowania potrzeba aż 107 szablonów przebiegów. Głębokie uczenie się (DL) jest obiecującą alternatywą dla analizy danych GW, zarówno w zakresie wykrywania, jak i szacowania parametrów. Wynika to z elastyczności w kategoryzowaniu i modelowaniu wzorców odczytywanych z danych przy bardzo niewielkim udziale człowieka. W przeciwieństwie do metody wyszukiwania z filtrem dopasowania, modele DL mogą nauczyć się odróżniać tylko szum od szumu sztucznie dołożonego (szum plus sygnał) bez konieczności modelowania każdego możliwego kształtu fali GW. Odbywa się to poprzez poznanie podstawowych cech czystego szumu i szumu dołożonego, co daje DL przewagę nad tradycyjnymi metodami, w których nie stosuje się dopasowywania. Konwolucyjne sieci neuronowe (CNN) to jeden z najpopularniejszych modeli DL, który został zaprojektowany przede wszystkim w celu wykorzystania struktury 2D obrazu wejściowego (lub innego wejścia 2D, takiego jak sygnał mowy) do rozwiązywania złożonych zadań, takich jak rozpoznawanie wzorców i wykrywanie obiektów.
W niedawnym artykule "Detection of Einstein Telescope gravitational wave signals from binary black holes using deep learning", autorzy: Wathela Alhassan, Tomasz Bulik (Centrum Astronomiczne im. Mikołaja Kopernika/AstroCeNT) i Mariusz Suchenek (Obserwatorium Astronomiczne Uniwersytetu Warszawskiego) zbadali efektywność wykorzystania CNN do wykrywania połączeń BBH z odległością jasności do 120 Gpc i masami składników w zakresie od 15 do 56 mas Słońca. Syntetyczne sygnały ukryte w szumie gaussowskim zostały wygenerowane zgodnie z parametrami ET. Bez przeprowadzania wybielania danych ani stosowania filtrowania pasmowoprzepustowego, przeszkoliliśmy cztery sieci CNN z najnowocześniejszą wydajnością w wizji komputerowej, a mianowicie VGG, ResNet i DenseNet, na reprezentacjach czasowo-częstotliwościowych czystego szumu i wstrzykniętego. ResNet ma znacznie lepszą wydajność i był w stanie wykryć źródła BBH o SNR 8 lub wyższym z dokładnością 98,5% oraz z dokładnością 92,5%, 85%, 60% i 62% dla źródeł o zakresie SNR 7-8, 6- odpowiednio 7, 5-6 i 4-5. ResNet, w ocenie jakościowej, był w stanie wykryć fuzję BBH przy 60 Gpc z 4,3 SNR. Wykazano również, że CNN można skutecznie wykorzystać do wykrywania BBH w czasie zbliżonym do rzeczywistego.
Rysunek 1 (u góry): SNR w relacji do precyzji detekcji.
Rusunek 2: Odległość jasnościowa wszystkich źródeł ch BBH oraz tych niewykrytych.
Text: Wathela Alhassan
