Междисциплинарная команда разработала алгоритм, который сразу же проверяет собственные расчеты свойств слияния черных дыр и при необходимости корректирует свой результат. Этот метод предоставляет очень точную информацию об измеренных гравитационных волнах, что идеально подходит для кампании по измерению детекторов гравитационных волн, которая начнется в мае.
Когда сливаются две черные дыры, гравитационные волны, излучаемые ими, со скоростью света распространяются в пространстве. Если они в конце концов упадут на Землю, большие детекторы: американский (LIGO), итальянский (Virgo) и японский (KAGRA) - смогут уловить сигналы. Сравнивая данные измерений с теоретическими предсказаниями, ученые могут затем определить свойства черных дыр, например: размер, угловой момент, ориентация, положение в небе и расстояние от земли.
Исследовательская группа из отдела эмпирических выводов MPI-IS в Тюбингене и AEI в Потсдаме теперь разработали самоуправляемую систему глубокого обучения, которая отфильтровывает очень точную информацию из измерений гравитационных волн. При этом система сама проверяет свои предсказания о параметрах сливающихся черных дыр — буквально глубокая нейронная сеть с двойным дном. 42 измеренные гравитационные волны слияния черных дыр были успешно проанализированы с помощью алгоритма:
Исследователи используют разработанную ими глубокую нейронную сеть под названием DINGO для анализа данных. DINGO был обучен считывать параметры гравитационных волн из данных измерений. С помощью многих миллионов смоделированных сигналов от двойных систем различного состава сеть научилась интерпретировать реальные, т.е. фактически измеренные, данные о гравитационных волнах.
Однако на первый взгляд неясно, правильно ли глубокая нейронная сеть считывает информацию. Недостатком традиционных систем глубокого обучения является то, что они дают результаты, которые кажутся правдоподобными, даже если они ошибочны. По этой причине исследователи из MPI-IS и AEI добавили в алгоритм функцию управления, объясняет Максимилиан Дакс:
«Мы разработали сеть с ложным дном: сначала , использующий измеренную гравитационную волну, вычисляет свойства черных дыр. По этим рассчитанным параметрам моделируется сигнал гравитационной волны, а затем сравнивается с измеренной гравитационной волной. Таким образом, сеть может выдавать свои собственные результаты, перепроверять их и, если есть сомнения, вносить исправления».
Алгоритм таким образом контролирует себя и поэтому значительно надежнее, чем предыдущие методы машинного обучения. Стивен Грин, бывший ученый из AEI, а ныне исследователь в Ноттингемском университете поясняет:
«Удивительно, но мы обнаружили, что алгоритм часто способен обнаруживать необычные события, а именно реальные данные, которые не соответствуют нашим теоретическим моделям. Эту информацию можно использовать для быстрой маркировки данных, которые более точно следует изучать».
Алессандр Буонанно, АЕИ, подчеркивает:
«Мы предоставляем гарантии точности нашего метода машинного обучения — то, что почти неслыханно в области исследований глубокого обучения. Это делает привлекательным для научного сообщества использование алгоритма для анализа гравитационно-волновых данных».
А Бернхард Шёлькопф, директор MPI-IS, добавляет:
«Сегодня DINGO анализирует данные о гравитационных волнах, но такой самоконтролирующийся и самокорректирующийся метод интересен и для других научных приложений, где крайне важно проверить правильность «черного поля». box' - чтобы иметь возможность проверять методы нейросетей».
Источник информации и фото: astronews.com
Комментариев нет:
Отправить комментарий