La astronomía de ondas gravitacionales vive un auge: los detectores LIGO, Virgo y KAGRA registran regularmente fusiones de objetos compactos. La mayoría de las detecciones confirmadas se ha logrado con el método de filtrado adaptado, que exige modelos precisos de la señal. Sin embargo, no todas las fuentes pueden describirse con esos modelos: los estallidos de supernova, las oscilaciones de estrellas de neutrones, la radiación posterior a la fusión y los procesos transitorios cortos e inesperados tienen una forma indefinida o totalmente desconocida. Por eso se necesitan búsquedas que no presupongan una familia de plantillas dada. Por lo general, estas buscan exceso de energía o estructura coherente en una representación tiempo-frecuencia. El trabajo se sitúa junto a los esfuerzos por crear búsquedas sin plantillas, como coherent WaveBurst y BayesWave, pero se distingue porque lleva el enfoque de wavelets hasta un flujo de baja latencia completo, con clasificación de coincidencias mediante una red neuronal en grafo.
El flujo procesa los datos de los detectores como un torrente continuo. Primero los datos se blanquean con un filtro autorregresivo de fase cero, que conserva la forma de la señal transitoria y trabaja con un retardo fijo. Después, cada bloque de análisis de 250 ms se descompone en diez bases de wavelets ortonormales. Los coeficientes que superan un umbral definido por el nivel de ruido se conservan, y su norma sirve como estadístico de detección. Los disparos de ventanas consecutivas se agrupan en eventos de un mismo detector según reglas geométricas de cercanía en el tiempo, la frecuencia y la energía. Los eventos de distintos detectores forman los nodos de un grafo, y las aristas conectan pares compatibles en tiempo de llegada y soporte en frecuencia. Este grafo se clasifica con una red neuronal en grafo, entrenada ya sea con supervisión sobre señales inyectadas, ya sea sin supervisión sobre coincidencias aleatorias.
En datos simulados con ruido coloreado según la curva de sensibilidad de Advanced LIGO, la búsqueda recupera 0.99 de los sistemas binarios de agujeros negros, 0.87–0.86 de los sistemas agujero negro–estrella de neutrones, 0.47–0.50 de los binarios de estrellas de neutrones y 0.60–0.63 de los estallidos de supernova en un solo detector. En los datos reales de O4 la eficiencia es mayor: 0.995–0.999 para los binarios de agujeros negros, 0.943–0.966 para los sistemas agujero negro–estrella de neutrones, 0.799–0.859 para los binarios de estrellas de neutrones y 0.524–0.572 para las supernovas. La clasificación en red con la red neuronal en grafo supera al estadístico determinista: con una falsa alarma por día en datos reales, la GNN recupera 0.28 de la población coincidente frente a 0.08 de Rmor, y con diez por día, 0.85 frente a 0.56. Para el evento GW250114, el flujo sin plantillas lo identifica como el candidato más fuerte con retardo cero en el segmento analizado.
El trabajo demuestra que la representación de wavelets puede sostener la detección, la clasificación y la reconstrucción de señales transitorias en un único flujo. A diferencia de trabajos cercanos, que a menudo se centran en una sola etapa, aquí todo el camino desde los datos blanqueados hasta el candidato calibrado y la región del cielo se recorre sin modelo de señal. El uso de una red neuronal en grafo para clasificar coincidencias directamente sobre el grafo de disparos es el primero de su tipo para búsquedas sin plantillas. Esto abre el camino a una búsqueda más sensible de fuentes inesperadas en tiempo real.
El tema puede avanzar hacia la estimación de parámetros mediante flujos normalizadores sobre los mismos coeficientes que dieron nombre al flujo de procesamiento. Otra dirección es la prueba completa de baja latencia de la cadena, trasladando el frontend a plataformas de hardware, por ejemplo FPGA. Ambas direcciones ya están previstas en las decisiones de arquitectura del trabajo.
El método influirá en la astronomía de ondas gravitacionales, sobre todo en la búsqueda de estallidos de supernova y otras fuentes no modelables. También puede ser útil para la clasificación automática de ruidos instrumentales.
Analizar tramos más largos de datos reales para medir la eficiencia a las tasas propias de un ciclo de observación. Entrenar el modelo con ruido real y eventos etiquetados.
El problema clave sin resolver de la astronomía de ondas gravitacionales es la detección de señales transitorias sin modelos precisos, en especial las de estallidos de supernova. El trabajo aborda directamente ese problema al proponer un flujo que no supone la forma de la señal, pero que a la vez ofrece significancia calibrada y reconstrucción.
El evento GW250114 fue encontrado por el flujo sin plantillas, aunque su relación señal-ruido de red ronda 80 y la falsa alarma es extremadamente pequeña. El filtro de wavelets usa diez bases distintas para que cada señal quede representada en la forma más compacta posible.
La idea de escuchar el cosmos sin plantillas predefinidas resuena con la novela «Contacto», de Carl Sagan, donde la señal de origen extraterrestre se detectó precisamente porque no se parecía a los ruidos esperados.