Técnicas y herramientas de IA utilizadas para eliminar el ruido y extraer señales limpias de ondas gravitacionales de los detectores.Los detectores de ondas gravitacionales como LIGO son increíblemente sensibles, pero esa sensibilidad tiene un precio: están constantemente bombardeados por ruido de vibraciones sísmicas, fluctuaciones térmicas e incluso efectos cuánticos. Este ruido puede imitar o enmascarar señales genuinas. El filtrado de ruido es el arte de separar la débil señal de onda gravitacional de esta cacofonía. Los métodos tradicionales utilizan filtros de frecuencia y filtrado adaptado, pero los enfoques modernos emplean cada vez más el aprendizaje automático para identificar y eliminar artefactos de ruido, conocidos como 'glitches'.
El filtrado de ruido ha sido un desafío desde que se construyeron los primeros detectores de ondas gravitacionales en la década de 1960. La era moderna del aprendizaje automático para la clasificación de glitches comenzó alrededor de 2016, con el proyecto Gravity Spy que utilizó ciencia ciudadana y redes neuronales para clasificar glitches en los datos de LIGO.
La salida del detector es un flujo continuo de datos con ruido y señales ocasionales. El filtrado de ruido generalmente implica varias etapas: primero, las fuentes de ruido conocidas (como ondas sísmicas o el zumbido de la red eléctrica) se eliminan mediante filtros adaptativos. Luego, el filtrado adaptado correlaciona los datos con formas de onda teóricas para encontrar señales. Para los glitches — ráfagas de ruido cortas y no estacionarias — se entrenan clasificadores de aprendizaje automático para reconocer sus firmas y marcarlos para su eliminación. Algunos métodos de IA, como el enfoque de 'teatro de sombras' mencionado en el corpus, pueden incluso generar glitches sintéticos para entrenar mejores clasificadores.
Un filtrado de ruido eficaz es esencial para cada afirmación de detección: garantiza que lo que parece una señal no sea solo un artefacto de ruido. También mejora la sensibilidad de las búsquedas de ondas continuas y fondos estocásticos.
Algunos glitches en LIGO son causados por aviones que sobrevuelan, y el ruido que crean puede ser tan distintivo que los clasificadores de aprendizaje automático pueden identificar el modelo específico de aeronave.






