En kunstners illustration af to sorte huller, der spiral sammen, skaber gravitationsbølger i rumtiden.
(Billede: © NASA)
Et nyt softwareprogram, der bruger kunstig intelligens, kan hjælpe hurtigt med at registrere og analysere tyngdekraftsbølger - krusninger i det kosmiske stof i rumtid - fra katastrofale begivenheder som kollisioner mellem sorte huller, viser en ny undersøgelse.
Den nye teknik, kaldet dybfiltrering, kan hjælpe forskere med at se kataklysmiske begivenheder, som den nuværende software muligvis ikke registrerer, såsom titanske fusioner i hjertene af galakser, ifølge forfatterne af en ny artikel, der beskriver arbejdet.
Tyngdekraftsbølger er krusninger i rummet og tiden. De genereres, når ethvert objekt med masse bevæger sig, og de bevæger sig med lysets hastighed, strækker sig og klemmer plads-tid undervejs.
Gravitationsbølger er usædvanligt vanskelige at opdage, og de, som forskere kan registrere, er fra usædvanligt massive genstande. Selv om eksistensen af gravitationsbølger først blev forudsagt af Albert Einstein i 1916, tog det over et århundrede for forskere med succes at opdage det første direkte bevis på gravitationsbølger ved hjælp af Laser Interferometer Gravitational-Wave Observatory (LIGO) for at få øje på gravitationsefterfølgelsen af to sorte huller, der smadrer sammen.
Opdagelsen af gravitationsbølger tjente tre videnskabsfolk Nobelprisen 2017 i fysik i oktober 2017. Siden da har forskere også fundet gravitationsbølger fra et sammenstødende par døde stjerner kaldet neutronstjerner - fund, der måske har hjulpet til at løse det årtier gamle mysterium om hvordan nogle af universets tunge elementer blev skabt.
Den software, der i øjeblikket analyserer de signaler, som gravitationsbølgeobservatorier registrerer, kan tage adskillige dage at indsnævre, hvilken slags begivenhed der måske har genereret disse tyngdekraftsbølger, fortalte studieforfatter Eliu Huerta til Space.com i et interview.
Desuden er denne software specialiseret til at registrere fusioner mellem genstande, der er i nogenlunde cirkulære baner med hinanden og relativt isoleret fra deres omgivelser, ifølge Huerta, en teoretisk astrofysiker ved University of Illinois i Urbana-Champaign's National Center for Supercomputing Applications. Softwaren kan sandsynligvis ikke registrere gravitationsbølger fra genstande i områder, hvor stjerner er tæt pakket sammen, såsom galaksernes kerner, hvor gravitationstryk fra nærliggende stjerner kan fordreje baner fra cirkulære til mere "excentriske" eller ovale i form, Huerta sagde.
Nu antyder undersøgelsesforfatterne, at kunstig intelligenssoftware kan hjælpe kraftigt med at fremskynde analysen af gravitationsbølger såvel som "[aktivere] påvisning af nye klasser af gravitationsbølgekilder, der kan gå upåagtet hen med eksisterende detektionsalgoritmer," Huerta fortalte Space.com.
Den nye AI-software involverer kunstige neurale netværk, hvor kunstige komponenter, der kaldes "neuroner", føres data og samarbejder for at løse et problem, såsom at genkende et billede. Et neuralt netværk justerer derefter gentagne gange forbindelserne mellem dets neuroner og ser, om disse nye forbindelsesmønstre er bedre til at løse problemet. Over tid afslører denne proces med forsøg og fejl, hvilke mønstre der er bedst til databehandlingsløsninger, der efterligner læringsprocessen i den menneskelige hjerne.
Mens konventionelle teknikker kan tage flere dage for at indsnævre funktionerne ved gravitationsbegivenheder fra detektordata, kunne banebrydende neurale netværk kendt som "dybe indviklede neurale netværk" gøre det inden for et sekund, fandt forskerne. Selvom konventionelle metoder ville have brug for tusinder af CPU'er (de centrale behandlingsenheder på computere) for at udføre denne opgave, fungerede den nye teknik "selv med en enkelt CPU - det vil sige med din smartphone eller en standard bærbar computer," sagde Huerta.
Derudover fandt forskerne, at denne nye teknik også hurtigt kunne analysere fusioner, der er mere kompleks, end den nuværende software kan analysere, såsom fusioner, der involverer sorte huller i excentriske baner. Den nye software havde også lavere fejlhastigheder og var bedre til at opdage fejl i dataene.
Huerta og Daniel George, en computernestrofysiker ved University of Illinois ved Urbana-Champaign's National Center for Supercomputing Applications, detaljerede deres fund online 27. december i tidsskriftet Physics Letters B.
