最新科技：機器人也可以幫助科學家尋找引力波

格拉斯哥大學的三名學生已經開發出了一種複雜的人工智慧，可以支撐下一階段的引力波天文學。在今天發表在《物理評論快報》(Physical Review Letters)雜誌上的一篇新論文中，研究人員討論了他們如何利用人工智慧工具訓練人工智慧「大腦」來搜索引力波信號。引力波，由巨大的天文事件引起的時空漣漪，1915年由阿爾伯特·愛因斯坦首次提出。又過了一個世紀，美國的激光干涉引力波天文台(LIGO)探測器首先從黑洞的碰撞中獲得了微弱信號。

一個超級計算機模擬合併黑洞發射引力波的可視化圖，圖片：NASA/C. Henze

自2015年9月歷史性的首次探測以來，先進的LIGO和歐洲室女座探測器已經從其他雙黑洞和一顆雙星碰撞中獲得了大量的信號。目前，引力波信號是用一種稱為匹配濾波的技術從探測器背景雜訊中提取出來的，該技術測量的是來自於一組模板波形的探測器的輸出。與模板波形的形狀匹配的信號會被更仔細地檢查，以確定它們是否代表真正的引力波探測。然而，這個過程需要大量的計算能力。隨著探測器的升級，以及它們對引力波信號的靈敏度增加，天文學家預計在每一次觀測中都會有更多的探測結果，隨之而來的是所需計算能力的增加。格拉斯哥大學(University of Glasgow)的物理學和天文學研究生亨特·加巴德(Hunter Gabbard)和費格斯·海耶斯(Fergus Hayes)和本科生邁克爾·威廉姆斯(Michael Williams)決定研究深度學習(一種人工智慧的形式)是否有助於提高檢測過程的計算效率。

在格拉斯哥大學天體物理學家克里斯托弗·信使博士的指導下，他們使用了一種被稱為「監督深度學習」的方法來建立一種人工智慧，能夠正確地識別出被他們所創造的數千個模擬數據集的雜訊所掩蓋的引力波信號。Hunter Gabbard說：深度學習演算法包括堆疊的處理單元陣列，稱之為「神經元」，作為輸入數據的過濾器。監督深度學習允許通過提供的三個數據集「教授」系統。第一個數據集，訓練集，允許確保它是「學習」我們想要的。第二個是驗證集，它向我們展示了它正在以我們期望的方式學習。最終的設置，測試集，幫助我們量化系統的性能。這一過程比匹配過濾更快捷、更有效，因為訓練集是所有計算密集型活動發生的地方。一旦深度學習演算法學會了在信號中尋找什麼，它就有可能比其他方法更快的數量級。

同時也使用了標準的匹配過濾過程來篩選我們模擬的引力波數據，這樣就可以使用一種叫做接收運算元特徵(ROC)曲線的統計過程數據來比較深度學習方法的有效性。通過對深度學習工具的仔細調整和訓練，發現ROC曲線在新過程和匹配過濾過程中表現出非常相似的性能。這表明神經網路為尋找引力波信號提供了一種很有前途的方法。雖然在這篇論文中特別關注了雙黑洞的探測，但這一過程很容易應用於其他類型的引力波信號，希望繼續我們的研究。這是一項令人興奮的發現，同時也預示著，隨著探測器變得更加敏感，將會出現更密集的引力波天文學。研究人員的論文題為「匹配濾波與深度人工智慧引力波天文學」，發表在《物理評論快報》上。

博科園-科學科普｜參考期刊：物理評論快報｜來自：格拉斯哥大學

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！