تقنيات وأدوات ذكاء اصطناعي تستخدم لإزالة الضوضاء واستخراج إشارات موجات الجاذبية النظيفة من الكاشفات.كاشفات موجات الجاذبية مثل LIGO حساسة بشكل لا يصدق، لكن هذه الحساسية تأتي بثمن: فهي تتعرض باستمرار لقصف من الضوضاء الناتجة عن الاهتزازات الزلزالية، والتقلبات الحرارية، وحتى التأثيرات الكمومية. يمكن لهذه الضوضاء أن تحاكي الإشارات الحقيقية أو تخفيها. ترشيح الضوضاء هو فن فصل إشارة موجة الجاذبية الخافتة عن هذه الفوضى. تستخدم الطرق التقليدية مرشحات التردد والترشيح المطابق، لكن الأساليب الحديثة تستخدم بشكل متزايد التعلم الآلي لتحديد وإزالة القطع الأثرية الضوضائية، المعروفة باسم 'الوهنات'.
كان ترشيح الضوضاء تحديًا منذ بناء أول كاشفات موجات الجاذبية في ستينيات القرن العشرين. بدأ العصر الحديث للتعلم الآلي لتصنيف الوهنات حوالي عام 2016، مع مشروع Gravity Spy الذي استخدم العلوم المدنية والشبكات العصبية لتصنيف الوهنات في بيانات LIGO.
مخرج الكاشف هو تيار مستمر من البيانات مع ضوضاء وإشارات عرضية. يتضمن ترشيح الضوضاء عادة عدة مراحل: أولاً، تتم إزالة مصادر الضوضاء المعروفة (مثل الموجات الزلزالية أو طنين خطوط الكهرباء) باستخدام مرشحات تكيفية. ثم، يقوم الترشيح المطابق بربط البيانات مع أشكال موجية نظرية للعثور على الإشارات. بالنسبة للوهنات - وهي دفعات ضوضاء قصيرة غير ثابتة - يتم تدريب مصنفات التعلم الآلي للتعرف على بصماتها ووضع علامات عليها لإزالتها. بعض طرق الذكاء الاصطناعي، مثل نهج 'مسرح الظل' المذكور في النصوص، يمكنها حتى توليد وهنات اصطناعية لتدريب مصنفات أفضل.
الترشيح الفعال للضوضاء ضروري لكل ادعاء بالكشف - فهو يضمن أن ما يبدو كإشارة ليس مجرد قطعة أثرية ضوضائية. كما أنه يحسن حساسية عمليات البحث عن الموجات المستمرة والخلفيات العشوائية.
بعض الوهنات في LIGO ناتجة عن طائرات تحلق في السماء، والضوضاء التي تنتجها يمكن أن تكون مميزة لدرجة أن مصنفات التعلم الآلي يمكنها تحديد طراز الطائرة المحدد.






