
تُستخدم خوارزميات الذكاء الاصطناعي لكشف وتحليل إشارات الموجات الثقالية.اعتمد اكتشاف الموجات الثقالية تقليديًا على الترشيح المطابق، حيث تُقارن الأشكال الموجية النظرية المعروفة ببيانات الكاشف. لكن العديد من الإشارات — خاصة تلك القادمة من مصادر غريبة أو أحداث غير متوقعة — لا تطابق أي قالب. يمكن للذكاء الاصطناعي، وخاصة الشبكات العصبية العميقة، أن يتعلم التعرف على "الزقزقة" المميزة للاندماج دون إعطائه قوالب دقيقة، مما يجعله أداة قوية للعثور على الإشارات المعروفة بكفاءة أكبر واكتشاف الإشارات غير المتوقعة. يساعد الذكاء الاصطناعي أيضًا في فصل الإشارات الحقيقية عن مصادر الضوضاء العديدة التي تزعج الكواشف.
برز استخدام الذكاء الاصطناعي في علم الفلك الموجي الثقالي في أواخر العقد الأول من القرن الحادي والعشرين، حيث أظهرت عدة مجموعات بحثية أن التعلم العميق يمكن أن يضاهي أو يتجاوز حساسية الترشيح المطابق لأنواع معينة من الإشارات. ظهرت أولى التطبيقات المنشورة حوالي عام 2017، بعد فترة وجيزة من أولى الاكتشافات بواسطة LIGO وVirgo.
تُدرَّب الشبكات العصبية على مجموعات كبيرة من بيانات إشارات الموجات الثقالية المحاكاة الممزوجة بضوضاء الكاشف الحقيقية. أثناء التدريب، تتعلم الشبكة تحديد الأنماط الدقيقة التي تميز الإشارة الحقيقية عن الضوضاء. بمجرد تدريبها، يمكن للشبكة مسح البيانات الواردة في الوقت الفعلي، وتحديد الأحداث المحتملة بشكل أسرع بكثير من الطرق التقليدية. بعض الخوارزميات، مثل GWAgent المذكور في النص، مصممة لتفسير الإشارات في سياقها، والتمييز بين أنواع مختلفة من المصادر.
يُستخدم الذكاء الاصطناعي الآن في خطوط المعالجة الفورية في LIGO وVirgo لتحديد الأحداث المرشحة بسرعة لمتابعتها، وفي التحليلات غير الفورية للبحث عن إشارات قد تفوتها الطرق التقليدية.
يمكن لبعض أنظمة الذكاء الاصطناعي اكتشاف إشارات الموجات الثقالية في أقل من ثانية، بينما قد يستغرق الترشيح المطابق التقليدي ساعات أو أيامًا لنفس البحث.
| x | متغير | data sample — sample |
| z | متغير | latent variable sample — latent variable |
| D(x) | متغير | discriminator output for real data — discriminator output |
| G(z) | متغير | generator output for latent variable — generator output |
| V(D,G) | متغير | value function of the game — value function |
| min_G | مؤثر | minimize with respect to generator parameters — minimization over generator |
| max_D | مؤثر | maximize with respect to discriminator parameters — maximization over discriminator |
| E_{x~p_data} | مؤثر | expectation over the empirical data distribution — expectation over data distribution |
| E_{z~p_z} | مؤثر | expectation over the latent prior distribution — expectation over latent distribution |
| log | مؤثر | natural logarithm — اللوغاريتم |


