格拉斯哥大学的三名学生已经开发出了一种复杂的人工智能，可以支撑下一阶段的引力波天文学。在今天发表在《物理评论快报》(Physical Review Letters)杂志上的一篇新论文中，研究人员讨论了他们如何利用人工智能工具训练人工智能“大脑”来搜索引力波信号。引力波，由巨大的天文事件引起的时空涟漪，1915年由阿尔伯特·爱因斯坦首次提出。又过了一个世纪，美国的激光干涉引力波天文台(LIGO)探测器首先从黑洞的碰撞中获得了微弱信号。
一个超级计算机模拟合并黑洞发射引力波的可视化图，图片：NASA/C. Henze
自2015年9月历史性的首次探测以来，先进的LIGO和欧洲室女座探测器已经从其他双黑洞和一颗双星碰撞中获得了大量的信号。目前，引力波信号是用一种称为匹配滤波的技术从探测器背景噪声中提取出来的，该技术测量的是来自于一组模板波形的探测器的输出。与模板波形的形状匹配的信号会被更仔细地检查，以确定它们是否代表真正的引力波探测。然而，这个过程需要大量的计算能力。随着探测器的升级，以及它们对引力波信号的灵敏度增加，天文学家预计在每一次观测中都会有更多的探测结果，随之而来的是所需计算能力的增加。格拉斯哥大学(University of Glasgow)的物理学和天文学研究生亨特·加巴德(Hunter Gabbard)和费格斯·海耶斯(Fergus Hayes)和本科生迈克尔·威廉姆斯(Michael Williams)决定研究深度学习(一种人工智能的形式)是否有助于提高检测过程的计算效率。
在格拉斯哥大学天体物理学家克里斯托弗·信使博士的指导下，他们使用了一种被称为“监督深度学习”的方法来建立一种人工智能，能够正确地识别出被他们所创造的数千个模拟数据集的噪声所掩盖的引力波信号。Hunter Gabbard说：深度学习算法包括堆叠的处理单元阵列，称之为“神经元”，作为输入数据的过滤器。监督深度学习允许通过提供的三个数据集“教授”系统。第一个数据集，训练集，允许确保它是“学习”我们想要的。第二个是验证集，它向我们展示了它正在以我们期望的方式学习。最终的设置，测试集，帮助我们量化系统的性能。这一过程比匹配过滤更快捷、更有效，因为训练集是所有计算密集型活动发生的地方。一旦深度学习算法学会了在信号中寻找什么，它就有可能比其他方法更快的数量级。
同时也使用了标准的匹配过滤过程来筛选我们模拟的引力波数据，这样就可以使用一种叫做接收算子特征(ROC)曲线的统计过程数据来比较深度学习方法的有效性。通过对深度学习工具的仔细调整和训练，发现ROC曲线在新过程和匹配过滤过程中表现出非常相似的性能。这表明神经网络为寻找引力波信号提供了一种很有前途的方法。虽然在这篇论文中特别关注了双黑洞的探测，但这一过程很容易应用于其他类型的引力波信号，希望继续我们的研究。这是一项令人兴奋的发现，同时也预示着，随着探测器变得更加敏感，将会出现更密集的引力波天文学。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
