Od prvog izravnog otkrića gravitacijskih valova 2015. godine, znanstvenici su se oslanjali na metodu koja omogućuje otkrivanje samo onih valova koji se podudaraju s teoretskim predviđanjima. To je pomalo suprotno uobičajenoj praksi u znanosti, gdje se istražuju nepredviđeni fenomeni.
Grupa fizičara sada je razvila računalni model koji bi mogao otkriti sve gravitacijske valove koji prolaze Zemljom, a ne samo one očekivane. Ovaj rad je objavljen na arXiv preprint serveru.
Desetljećima nakon što je Einsteinova opća teorija relativnosti predvidjela gravitacijske valove – putujuće valove u tkanju prostora-vremena – fizičari su izračunali očekivane potpise za nekoliko jednostavnih scenarija. Jedan od tih scenarija bio je prolazni val tijekom spajanja crnih rupa, što je prvi takav val detektiran iz interferometrijskih podataka 14. rujna 2015. (Rad je objavljen tek u veljači sljedeće godine.)
Pretpostavljajući događaj koji je proizveo valove, znanstvenici su mogli predvidjeti točan signal koji će se pojaviti u dugim laserskim interferometrijskim postrojenjima kao što su LIGO (koji ima dvije lokacije u SAD-u), VIRGO u Italiji te nekoliko drugih širom svijeta.
Promatrači su morali znati što očekivati kako bi usmjerili svoje interferometre na ono što traže, jer bi prolazak vala pomaknuo krakove interferometra za samo tisućinku širine protona. Šum iz okoline, poput prolaska kamiona, lako bi mogao uzrokovati pomicanje krakova koje je potrebno filtrirati kako bi se razlikovao pravi gravitacijski val.
Spajanje neutronskih zvijezda i crnih rupa
Izračuni su također napravljeni za spajanje neutronskih zvijezda i crnih rupa, kao i za spajanje neutronskih zvijezda. Kontinuirani gravitacijski valovi proizvedeni brzim okretanjem simetričnih neutronskih zvijezda i stohastični gravitacijski valovi, primjerice, iz Velikog praska, također se mogu iščitati iz podataka. Korištenjem ovih modela, otkriveno je više od sedam desetaka događaja gravitacijskih valova.
Stohastični gravitacijski valovi su tip gravitacijskih valova koji se ne javljaju u pravilnim obrascima, već su slučajni i nepravilni. Oni nastaju iz raznih izvora, poput Velikog praska ili spajanja mnogih udaljenih astrofizičkih objekata. Budući da dolaze iz različitih smjerova i vremena, stohastični gravitacijski valovi tvore pozadinu slabih, slučajnih signala. Zbog njihove nasumične prirode, teško ih je detektirati, ali njihovo proučavanje može pružiti važne informacije o ranom svemiru i događajima koji se ne mogu lako promatrati na druge načine.
Međutim, ovaj pristup propušta gravitacijske valove koji se ne pojavljuju u obliku jednog od poznatih predviđanja, poznatih kao “tranzijenti” ili “iznenadni događaji gravitacijskih valova”, iz neočekivanih događaja temeljenih na drugačijoj fizici. Osim toga, današnje metode detekcije su prespore.
Nakon prolaska gravitacijskog vala, astronomi žele brzo locirati njegov izvor kako bi obavijestili druge opservatorije da traže bilo kakve prateće elektromagnetske ili čestične događaje iz istog izvora – poznato kao multi-messenger astronomija.
Elektromagnetsko zračenje, uključujući vidljivu svjetlost i neutrine, očekuje se iz određenih velikih, nasilnih astrofizičkih aktivnosti, uključujući uobičajena spajanja binarnih parova. Obrada i komunikacija s drugim instrumentima trenutno mogu zahtijevati stotine posvećenih procesnih jedinica i trajati desetke sekundi ili čak minute, što je presporo za pravovremeno upozorenje.
Posljednjih godina fizičari su pokušavali poboljšati ograničenja valnih oblika korištenjem konvolucijskih neuronskih mreža (engl. convolutional neural networks – CNN), vrste specijaliziranog algoritma dubokog učenja, kako bi izbjegli detektore trenirane samo za prepoznavanje određenih događaja.
Precizan model
Ipak, do sada, konvolucijske neuronske mreže koji su programirani još uvijek zahtijevaju precizan model ciljnog signala za obuku, te tako neće primijetiti neočekivane izvore poput onih predviđenih kolapsom jezgre supernova i dugih gama zraka. Nepoznata fizika i računalna ograničenja mogu ugroziti svaku priliku za detekciju multi-messenger događaja.
Ovdje su istraživači postavili cilj korištenja jednog procesora i prijavljivanja događaja gravitacijskih valova u roku od oko jedne sekunde. Razvili su višekomponentnu arhitekturu gdje jedna konvolucijska neuronska mreža detektira tranzijente koji su istovremeni u više detektora, dok druge traži korelaciju između detektora kako bi eliminirao slučajni pozadinski šum ili smetnje.
Na taj način, “naša pretraga koristi strojno učenje i ima za cilj pomoći usmjeriti ‘tradicionalne‘ teleskope prema takvom izvoru u roku od nekoliko sekundi,” rekao je Vasileos Skliris iz Instituta za istraživanje gravitacije pri Školi fizike i astronomije Sveučilišta u Cardiffu, u Engleskoj. “Na taj način, moći ćemo izvući najviše informacija iz takvih neočekivanih događaja.”
Pristup grupe dubokom učenju razlikovao se od prethodnih metoda na ključan način: umjesto da se konvolucijske neuronske mreže treniraju za prepoznavanje specifičnih oblika signala u podacima, stvorili su one koji mogu detektirati dosljednost u snazi i vremenu između dva ili više tokova podataka.
Konvolucijske neuronske mreže su zatim trenirane korištenjem simuliranih signala i slučajnih izljevima šuma sličnih karakteristika. Korištenjem istih obrazaca valnih oblika za signale i šum, isti su spriječeni da se oslanjaju na obrazac signala za donošenje odluka; umjesto toga, konvolucijske neuronske mreže uče procjenjivati koliko se dobro detektori slažu, omogućujući njihovim modelima mogućnost prave detekcije gravitacijskih valova u stvarnom vremenu.
Kao test, istraživači su obradili promatrane podatke s prvih dvaju ciklusa LIGO-a i VIRGO-a i pronašli dobro slaganje.
Pozdrav svima! Hvala što čitate Kozmos.hr! Ja sam Ivan i dugi niz godina pišem o svermiu, astronomiji, znanosti, povijesti i arheologiji, a imao sam priliku sudjelovati i u dokumentarcima Science Discovery-ja te History Channel-a.
