Una red neuronal que aprende a comprimir y reconstruir datos, utilizada aquí para generar plantillas de ondas gravitacionales rápidamente.Un autoencoder es un tipo de red neuronal artificial que aprende a comprimir los datos de entrada en una representación de menor dimensión y luego reconstruir los datos originales a partir de esa forma comprimida. La red se entrena para minimizar la diferencia entre la entrada y su reconstrucción, lo que la obliga a capturar las características más relevantes de los datos. En física, los autoencoders se han convertido en una herramienta valiosa para generar plantillas rápidas y precisas de señales de ondas gravitacionales, que de otro modo son computacionalmente costosas de calcular desde primeros principios.
Los autoencoders fueron introducidos en la década de 1980 por Geoffrey Hinton y otros como un método de aprendizaje no supervisado, pero ganaron atención generalizada en la década de 2000 con la llegada del aprendizaje profundo. Su aplicación a la astronomía de ondas gravitacionales comenzó a finales de la década de 2010, a medida que la necesidad de generar plantillas rápidas crecía con la creciente sensibilidad de los detectores.
Un autoencoder consta de dos partes: un codificador que mapea la entrada a un código 'latente' compacto, y un decodificador que mapea el código de vuelta al espacio original. Durante el entrenamiento, la red ajusta sus pesos para que la salida coincida estrechamente con la entrada para un gran conjunto de ejemplos. Una vez entrenado, el decodificador puede generar nuevas muestras a partir de códigos latentes arbitrarios, actuando efectivamente como un modelo sustituto rápido. Para las ondas gravitacionales, el autoencoder se entrena con formas de onda simuladas, y luego el decodificador puede producir una plantilla para un conjunto dado de parámetros (como masas y espines de agujeros negros) casi instantáneamente, evitando las lentas simulaciones de relatividad numérica.
Los autoencoders se utilizan en el análisis de datos de ondas gravitacionales para acelerar las búsquedas de filtro adaptado, en astrofísica para clasificar galaxias a partir de imágenes de sondeos, y en imágenes médicas para eliminar ruido o comprimir escaneos.
Un autoencoder entrenado con señales de ondas gravitacionales puede generar una nueva forma de onda en milisegundos, mientras que una simulación completa de relatividad numérica podría llevar semanas en una supercomputadora.















