L’analyse des données suralimentée pourrait empêcher le resserrement informatique des ondes gravitationnelles

Une nouvelle méthode d’analyse des données complexes provenant d’événements astronomiques massifs pourrait aider les astronomes en ondes gravitationnelles à éviter une crise informatique imminente.

Des chercheurs de l’Université de Glasgow ont utilisé l’apprentissage automatique pour développer un nouveau système de traitement des données collectées à partir de détecteurs comme le Laser Interferometer Gravitational-Wave Observatory (LIGO).

Le système, qu’ils appellent VItamin, est capable d’analyser complètement les données d’un seul signal collecté par les détecteurs d’ondes gravitationnelles en moins d’une seconde, une amélioration significative par rapport aux techniques d’analyse actuelles.

Depuis la première détection historique des ondulations dans l’espace-temps causées par la collision de trous noirs en 2015, les astronomes en ondes gravitationnelles se sont appuyés sur un ensemble d’ordinateurs puissants pour analyser les signaux détectés à l’aide d’un processus connu sous le nom d’inférence bayésienne.

Une analyse complète de chaque signal, qui fournit des informations précieuses sur la masse, le spin, la polarisation et l’inclinaison de l’orbite des corps impliqués dans chaque événement, peut actuellement prendre des jours.

Depuis cette première détection, les détecteurs d’ondes gravitationnelles comme LIGO aux États-Unis et Virgo en Italie ont été améliorés pour devenir plus sensibles aux signaux plus faibles, et d’autres détecteurs comme KAGRA au Japon ont été mis en ligne.

En conséquence, les signaux d’ondes gravitationnelles sont détectés avec une régularité croissante, mettant l’infrastructure informatique actuelle sous une plus grande pression pour analyser chaque détection. Comme les performances des détecteurs continuent de s’améliorer grâce aux mises à niveau entre chaque série d’observations, il existe un risque que la capacité du système à traiter un plus grand nombre de signaux soit dépassée.

VItamin a été développé par des chercheurs de la School of Physics & Astronomy de l’Université de Glasgow en collaboration avec des collègues de la School of Computing Science.

Dans un nouvel article publié aujourd’hui dans la revue Physique de la nature, ils décrivent comment ils ont « entraîné » VItamin à reconnaître les signaux d’ondes gravitationnelles des trous noirs binaires à l’aide d’une technique d’apprentissage automatique appelée autoencodeur variationnel conditionnel, ou CVAE.

L’équipe a créé une série de signaux d’ondes gravitationnelles simulées, recouvertes de bruit pour imiter le bruit de fond à partir duquel les détecteurs d’ondes gravitationnelles doivent prélever chaque détection. Ensuite, ils les ont passés à travers le système d’apprentissage automatique environ 10 millions de fois.

Au cours du processus, VItamin a amélioré sa capacité à détecter les signaux et à analyser 15 paramètres jusqu’à ce qu’il soit capable de fournir des résultats précis en moins d’une seconde.

Hunter Gabbard, de l’École de physique et d’astronomie de l’Université de Glasgow, est l’auteur principal de l’article. Il a déclaré: « L’astronomie des ondes gravitationnelles nous a fourni une toute nouvelle façon d’écouter l’univers, et le rythme des développements depuis la première détection en 2015 a été remarquable. »

« Alors que la technologie des détecteurs s’améliore encore et que de nouveaux détecteurs commencent également à écouter, nous prévoyons de capter des centaines de signaux par an dans un proche avenir. Exploiter la puissance de l’apprentissage automatique sera essentiel pour nous aider à suivre le rythme des développements des détecteurs, et La vitamine est un développement passionnant vers cet objectif.

« Nous souhaitons travailler en étroite collaboration avec nos collègues dans notre collaboration mondiale pour intégrer VItamin dans la boîte à outils standard pour détecter et répondre aux signaux d’ondes gravitationnelles. »

La capacité de VItamin à analyser rapidement les paramètres du signal pourrait également aider les astronomes du monde entier à réagir plus rapidement aux détections d’ondes gravitationnelles qui sont également susceptibles d’être visibles par les télescopes optiques ou radio.

Le Dr Chris Messenger de l’École de physique et d’astronomie, co-auteur de l’article, a ajouté : « Des événements comme les collisions de trous noirs sont invisibles pour les télescopes électromagnétiques, c’est pourquoi nous n’avons eu aucune preuve directe de leur existence avant le premier signal d’onde gravitationnelle d’une fusion de trous noirs a été détecté.

« Mais des événements comme la collision de deux étoiles à neutrons ont une composante visible. En 2017, nous avons détecté le premier signal d’onde gravitationnelle d’une fusion d’étoiles à neutrons et nous avons pu aider nos collaborateurs en astronomie électromagnétique à faire tourner leurs télescopes au point dans le ciel où ils pouvaient voir la rémanence de l’événement.

« Nous avons pu le faire grâce aux systèmes d’alerte précoce des détecteurs d’ondes gravitationnelles, qui nous donnent une première lecture des données comme l’emplacement des événements. Chaque seconde supplémentaire qu’il faut pour pointer les télescopes vers le ciel est une occasion manquée de collecter des informations précieuses . VItamin pourrait nous aider à fournir des informations beaucoup plus détaillées à nos collègues, permettant une réponse beaucoup plus rapide et permettant la collecte d’un plus large éventail de données.

Le professeur Roderick Murray-Smith et le Dr Francesco Tonolini de la School of Computing Science sont les co-auteurs de l’article.

Le professeur Murray-Smith a déclaré : « Le domaine scientifique de l’astronomie des ondes gravitationnelles était un nouveau domaine pour nous, et il nous a donné l’opportunité de concevoir de nouveaux modèles, spécialement conçus pour cette application, qui ont permis de comprendre la physique avec un apprentissage automatique de pointe. Le projet QuantIC dirigé par l’Université de Glasgow, qui a financé nos travaux, a été une excellente occasion de rapprocher l’apprentissage automatique de la science, en particulier de la physique.

Le Dr Toolini a ajouté : « Dans le passé, ces modèles de variables latentes étaient généralement développés et optimisés pour capturer les distributions d’images, de texte et d’autres signaux communs. Cependant, les données et les distributions rencontrées dans le domaine des ondes gravitationnelles sont vraiment uniques et nécessaires. nous de réinventer les composants de ces modèles pour obtenir le succès démontré. »

L’article de l’équipe, intitulé « Estimation des paramètres bayésiens à l’aide d’autoencodeurs variationnels conditionnels pour l’astronomie des ondes gravitationnelles », est publié dans Physique de la nature.