Se utilizan algoritmos de inteligencia artificial para detectar y analizar señales de ondas gravitacionales.La detección de ondas gravitacionales ha dependido tradicionalmente del filtrado adaptado, donde se comparan formas de onda teóricas conocidas con los datos del detector. Pero muchas señales — especialmente de fuentes exóticas o eventos inesperados — no coinciden con ninguna plantilla. La inteligencia artificial, en particular las redes neuronales profundas, puede aprender a reconocer el característico 'chirrido' de una fusión sin que se le proporcionen plantillas exactas, convirtiéndolas en herramientas poderosas tanto para encontrar señales conocidas de manera más eficiente como para descubrir otras inesperadas. La IA también ayuda a separar las señales genuinas de la miríada de fuentes de ruido que afectan a los detectores.
El uso de la IA en la astronomía de ondas gravitacionales ganó prominencia a finales de la década de 2010, con varios grupos de investigación demostrando que el aprendizaje profundo podía igualar o superar la sensibilidad del filtrado adaptado para ciertos tipos de señales. Las primeras aplicaciones publicadas aparecieron alrededor de 2017, poco después de las primeras detecciones por LIGO y Virgo.
Las redes neuronales se entrenan con grandes conjuntos de datos de señales de ondas gravitacionales simuladas mezcladas con ruido real del detector. Durante el entrenamiento, la red aprende a identificar patrones sutiles que distinguen una señal real del ruido. Una vez entrenada, la red puede escanear los datos entrantes en tiempo real, señalando eventos potenciales mucho más rápido que los métodos tradicionales. Algunos algoritmos, como GWAgent mencionado en el corpus, están diseñados para interpretar señales en contexto, distinguiendo entre diferentes tipos de fuentes.
La IA se utiliza ahora en los pipelines en tiempo real de LIGO y Virgo para identificar rápidamente eventos candidatos para observaciones de seguimiento, y en análisis fuera de línea para buscar señales que los métodos tradicionales podrían pasar por alto.
Algunos sistemas de IA pueden detectar señales de ondas gravitacionales en menos de un segundo, mientras que el filtrado adaptado tradicional puede tardar horas o días en la misma búsqueda.
| x | variable | data sample — sample |
| z | variable | latent variable sample — latent variable |
| D(x) | variable | discriminator output for real data — discriminator output |
| G(z) | variable | generator output for latent variable — generator output |
| V(D,G) | variable | value function of the game — value function |
| min_G | operador | minimize with respect to generator parameters — minimization over generator |
| max_D | operador | maximize with respect to discriminator parameters — maximization over discriminator |
| E_{x~p_data} | operador | expectation over the empirical data distribution — expectation over data distribution |
| E_{z~p_z} | operador | expectation over the latent prior distribution — expectation over latent distribution |
| log | operador | natural logarithm — logaritmo |
