الگوریتم جدید یادگیری ماشینی تمام پارامترهای مشخص کننده یک منبع سیاهچاله دوتایی را تنها در چند ثانیه به دقت تخمین می زند.
سیاهچاله ها یکی از بزرگترین اسرار کیهان هستند،برای مثال: سیاهچاله ای به جرم خورشید ما شعاعش تنها 3 کیلومتر است. سیاهچاله ها در مدار اطراف یکدیگر تشعشعات گرانشی ساطع می کنند نوسانات فضا و زمان که توسط آلبرت انیشتین در سال 1916 پیش بینی شده بود، باعث می شود که مدار سریع تر و محکم تر شود و در نهایت، سیاهچاله ها در یک انفجار نهایی تابش ادغام شوند. این امواج گرانشی با سرعت نور در کیهان منتشر میشوند و توسط رصدخانههای ایالات متحده (LIGO) و ایتالیا (Virgo) شناسایی میشوند. دانشمندان دادههای جمعآوریشده توسط رصدخانهها را با پیشبینیهای نظری مقایسه میکنند تا خواص منبع، از جمله بزرگی سیاهچالهها و سرعت چرخش آنها را تخمین بزنند. در حال حاضر، این روش حداقل چند ساعت و اغلب ماه ها طول می کشد.
یک تیم بینرشتهای از محققان مؤسسه ماکس پلانک برای سیستمهای هوشمند(MPI-IS) در توبینگن و موسسه ماکس پلانک برای فیزیک گرانشی موسسه آلبرت اینشتینAEIدر پوتسدام در حال استفاده از روشهای پیشرفتهی یادگیری ماشینی هستند. سرعت بخشیدن به این روند آنها الگوریتمی را با استفاده از یک شبکه عصبی عمیق، یک کد کامپیوتری پیچیده که از دنباله ای از عملیات ساده تر ساخته شده است، با الهام از مغز انسان توسعه دادند. در عرض چند ثانیه، سیستم تمام خواص منبع سیاهچاله دوتایی را استنباط می کند. نتایج تحقیق آنها امروز در Physical Review Letters منتشر شده است.
"روش ما می تواند در چند ثانیه اظهارات بسیار دقیقی در مورد اینکه دو سیاهچاله که امواج گرانشی را در هنگام ادغام ایجاد کردند چقدر بزرگ و پرجرم بوده اند. سرعت چرخش سیاهچاله ها، فاصله آنها از زمین و از کدام جهت است. ماکسیمیلیان داکس، اولین نویسنده مطالعه علم امواج گرانشی بیدرنگ با تخمین خلفی عصبی و دکترا توضیح میدهد که آیا موج گرانشی در راه است؟ .
محققان شبکه عصبی را با شبیهسازیهای زیادی آموزش دادند - سیگنالهای موج گرانشی را برای سیستمهای فرضی سیاهچالههای دوتایی همراه با نویز آشکارسازها پیشبینی کردند. به این ترتیب، شبکه ارتباط بین دادههای امواج گرانشی اندازهگیری شده و پارامترهای مشخصکننده سیستم سیاهچاله زیرین را میآموزد. ده روز طول می کشد تا الگوریتمی به نام DINGO (که مخفف عبارت Deep INference برای مشاهدات امواج گرانشی است) یاد شود. سپس برای استفاده آماده است: شبکه اندازه، چرخش ها و سایر پارامترهای توصیف کننده سیاهچاله ها را از داده های امواج گرانشی تازه مشاهده شده تنها در چند ثانیه استنتاج می کند.
تجزیه و تحلیل با دقت بالا امواج را در فضا-زمان تقریباً در زمان واقعی رمزگشایی می کند - چیزی که هرگز با چنین سرعت و دقت انجام نشده است. محققان متقاعد شده اند که بهبود عملکرد شبکه عصبی و همچنین توانایی آن در مدیریت بهتر نوسانات نویز در آشکارسازها، این روش را به ابزاری بسیار مفید برای مشاهدات امواج گرانشی آینده تبدیل خواهد کرد.
استفان گرین، دانشمند ارشد در این زمینه میگوید: "هرچه بیشتر از طریق آشکارسازهای حساس به فضا نگاه کنیم، سیگنالهای امواج گرانشی بیشتری شناسایی میشوند. روشهای سریعی مانند روش ما برای تجزیه و تحلیل همه این دادهها در زمان معقول ضروری هستند." بخش نسبیت اخترفیزیکی و کیهانی در AEI. "DINGO این مزیت را دارد که - پس از آموزش - می تواند رویدادهای جدید را خیلی سریع تجزیه و تحلیل کند. مهمتر از همه، تخمین های عدم قطعیت دقیق در مورد پارامترها را نیز ارائه می دهد، که در گذشته تولید آنها با استفاده از روش های یادگیری ماشینی سخت بوده است."
تاکنون، محققان در همکاریهای LIGO و Virgo از الگوریتمهای محاسباتی بسیار وقتگیر برای تجزیه و تحلیل دادهها استفاده کردهاند. آنها برای تفسیر هر اندازهگیری به میلیونها شبیهسازی جدید از شکل موجهای گرانشی نیاز دارند، که منجر به زمانهای محاسباتی از چند ساعت تا چند ماه میشودDINGO از این سربار اجتناب میکند، زیرا یک شبکه آموزشدیده برای تجزیه و تحلیل دادههای تازه مشاهده شده به هیچگونه شبیهسازی بیشتری نیاز ندارد، فرآیندی که شناخته شده است. به عنوان "استنتاج مستهلک".
این روش برای سیگنالهای موج گرانشی پیچیدهتر که پیکربندیهای دوتایی-سیاهچاله را توصیف میکنند، که استفاده از آنها در الگوریتمهای فعلی باعث میشود تجزیه و تحلیلها بسیار زمانبر است، و برای ستارههای نوترونی دوتایی، نویدبخش است. در حالی که برخورد سیاهچاله ها انرژی را منحصراً به شکل امواج گرانشی آزاد می کند، ستاره های نوترونی ادغام شده نیز تشعشعاتی را در طیف الکترومغناطیسی منتشر می کنند. بنابراین آنها همچنین برای تلسکوپ هایی که باید در سریع ترین زمان ممکن به منطقه مربوطه از آسمان اشاره کنند تا رویداد را مشاهده کنند نیز قابل مشاهده هستند. برای انجام این کار، باید خیلی سریع مشخص شود که موج گرانشی از کجا می آید، همانطور که روش جدید یادگیری ماشین تسهیل می کند. در آینده، این اطلاعات می تواند برای نشان دادن زمان تلسکوپ ها برای مشاهده سیگنال های الکترومغناطیسی ناشی از برخورد ستارگان نوترونی و یک ستاره نوترونی با سیاهچاله مورد استفاده قرار گیرد.
Alessandra Buonanno، مدیر AEI، و Bernhard Schölkopf، مدیر MPI-IS میگویند: «در آینده، این رویکردها همچنین امکان برخورد بسیار واقعیتر از نویز آشکارساز و سیگنالهای گرانشی را نسبت به آنچه امروزه با استفاده از تکنیکهای استاندارد امکانپذیر است، میسازد. "
Scholkopf میگوید: «استنتاج مبتنی بر شبیهسازی با استفاده از یادگیری ماشینی میتواند در بسیاری از حوزههای علم که ما نیاز به استنتاج یک مدل پیچیده از مشاهدات پر سر و صدا داریم، تحولآفرین باشد».
های فن تک از شما دعوت می کند نظرات خود را در مورد این مقاله به اشتراک بگذارید